Esta página contiene los términos del glosario de Sistemas de recomendación. Para todos los términos del glosario, haz clic aquí.
C
generación de candidatos
El conjunto inicial de recomendaciones elegidas por un sistema de recomendación. Por ejemplo, considera una librería que ofrece 100,000 títulos. La fase de generación de candidatos crea una lista mucho más pequeña de libros adecuados para un usuario específico, digamos 500. Pero incluso 500 libros son demasiados para recomendar a un usuario. Las fases posteriores y más costosas de un sistema de recomendación (como la puntuación y la reclasificación) reducen esas 500 recomendaciones a un conjunto de recomendaciones mucho más pequeño y útil.
filtrado colaborativo
Realizar predicciones sobre los intereses de un usuario en función de los intereses de muchos otros usuarios El filtrado colaborativo suele usarse en sistemas de recomendación.
I
matriz de elementos
En los sistemas de recomendaciones, una matriz de vectores de incorporación generada por factorización de matrices que contiene señales latentes sobre cada elemento. Cada fila de la matriz de elementos contiene el valor de un solo atributo latente para todos los elementos. Por ejemplo, considera un sistema de recomendación de películas. Cada columna en la matriz de elementos representa una sola película. Los indicadores latentes pueden representar géneros o pueden ser indicadores más difíciles de interpretar que impliquen interacciones complejas entre géneros, estrellas, antigüedad de la película y otros factores.
La matriz de elementos tiene la misma cantidad de columnas que la matriz de destino que se factoriza. Por ejemplo, en un sistema de recomendación de películas que evalúa 10,000 títulos de películas, la matriz de elementos tendrá 10,000 columnas.
items
En un sistema de recomendación, las entidades recomienda que un sistema. Por ejemplo, los videos son los elementos que recomienda una tienda de videos, mientras que los libros son los elementos que recomienda una librería.
M
factorización de matrices
En matemáticas, un mecanismo para encontrar las matrices cuyo producto escalar se aproxima a una matriz objetivo.
En los sistemas de recomendación, la matriz objetivo suele contener calificaciones de los elementos. Por ejemplo, la matriz objetivo para un sistema de recomendación de películas podría verse de la siguiente manera, en la que los números enteros positivos son calificaciones de usuarios y 0 significa que el usuario no calificó la película:
| Casablanca | La historia de Filadelfia | Pantera Negra | Mujer Maravilla | Tiempos violentos | |
|---|---|---|---|---|---|
| Usuario 1 | 5.0 | 3.0 | 0.0 | 2.0 | 0.0 |
| Usuario 2 | 4.0 | 0.0 | 0.0 | 1.0 | 5.0 |
| Usuario 3 | 3.0 | 1.0 | 4.0 | 5.0 | 0.0 |
El sistema de recomendación de películas tiene como objetivo predecir las calificaciones de los usuarios para las películas sin clasificar. Por ejemplo, ¿le gustará al Usuario 1 Pantera Negra?
Un enfoque para los sistemas de recomendación es usar la factorización de matrices a fin de generar las siguientes dos matrices:
- Una matriz de usuarios, formada por la cantidad de usuarios X la cantidad de dimensiones de incorporación
- Una matriz de elementos, formada por la cantidad de dimensiones de incorporación X la cantidad de elementos
Por ejemplo, el uso de la factorización de matrices en nuestros tres usuarios y cinco elementos podría generar la siguiente matriz de usuarios y matriz de elementos:
User Matrix Item Matrix 1.1 2.3 0.9 0.2 1.4 2.0 1.2 0.6 2.0 1.7 1.2 1.2 -0.1 2.1 2.5 0.5
El producto escalar de la matriz de usuarios y la matriz de elementos produce una matriz de recomendaciones que contiene no solo las calificaciones de los usuarios originales, sino también las predicciones para las películas que cada usuario no vio. Por ejemplo, considera la calificación del Usuario 1 de Casablanca, que fue 5.0. El producto escalar correspondiente a esa celda en la matriz de recomendación debería ser de alrededor de 5.0 y es:
(1.1 * 0.9) + (2.3 * 1.7) = 4.9
Más importante aún, ¿al Usuario 1 le gustará Pantera Negra? Si se toma el producto escalar correspondiente a la primera fila y la tercera columna, se predice una calificación de 4.3:
(1.1 * 1.4) + (2.3 * 1.2) = 4.3
Por lo general, la factorización de matrices genera una matriz de usuarios y una matriz de elementos que, en conjunto, son significativamente más compactas que la matriz objetivo.
R
sistema de recomendación
Sistema que selecciona para cada usuario un conjunto relativamente pequeño de elementos deseables de un corpus grande. Por ejemplo, un sistema de recomendación de videos podría recomendar dos videos de un corpus de 100,000 videos, seleccionando Casablanca y The Philadelphia Story para un usuario, y Mujer Maravilla y Pantera Negra para otro. Un sistema de recomendación de video puede basar sus recomendaciones en factores como los siguientes:
- Películas que usuarios similares han calificado o visto
- Género, directores, actores, segmento demográfico...
reclasificación
La etapa final de un sistema de recomendación, durante la cual los elementos calificados se pueden volver a calificar de acuerdo con algún otro algoritmo (por lo general, no de AA). La reclasificación evalúa la lista de elementos generados por la fase de puntuación, realizando acciones como:
- Eliminar los elementos que el usuario ya compró
- Aumenta la puntuación de artículos nuevos.
S
puntuación
Parte de un sistema de recomendación que proporciona un valor o una clasificación para cada elemento producido en la generación de candidatos.
U
matriz de usuarios
En los sistemas de recomendación, es un vector de incorporación generado por factorización de matrices que contiene indicadores latentes sobre las preferencias del usuario. Cada fila de la matriz de usuarios contiene información sobre la intensidad relativa de varias señales latentes para un solo usuario. Por ejemplo, considera un sistema de recomendación de películas. En este sistema, los indicadores latentes de la matriz de usuarios pueden representar el interés de cada usuario en géneros específicos o pueden ser señales más difíciles de interpretar que impliquen interacciones complejas entre varios factores.
La matriz de usuarios tiene una columna para cada función latente y una fila para cada usuario. Es decir, la matriz de usuarios tiene la misma cantidad de filas que la matriz de destino que se factoriza. Por ejemplo, en un sistema de recomendación de películas para 1,000,000 de usuarios, la matriz de usuarios tendrá 1,000,000 de filas.
W
Mínimos cuadrados ponderados alternos (WALS)
Algoritmo para minimizar la función objetivo durante la factorización de matrices en los sistemas de recomendación, lo que permite una reducción de los pesos de los ejemplos faltantes. WALS minimiza el error cuadrático ponderado entre la matriz original y la reconstrucción alternando entre la factorización de filas y la factorización de columnas. Cada una de estas optimizaciones se puede resolver con una optimización convexa de mínimos cuadrados. Para obtener más detalles, consulta el curso de Sistemas de recomendación.