Métricas de similaridad y evaluación para sistemas de recomendación de filtrado colaborativo

• Mendoza Olguín, Gustavo Emilio ^[1] ; Laureano de Jesús, Yadira ^[1] ; Pérez de Celis Herrero, María de la Concepción ^[1]
  1. [1] Benemérita Universidad Autónoma de Puebla

     Benemérita Universidad Autónoma de Puebla

     México

     
• Localización: Revista de Investigación en Tecnologías de la Información: RITI, ISSN-e 2387-0893, Vol. 7, Nº. 14, 2019 (Ejemplar dedicado a: Julio-Diciembre), págs. 224-240
• Idioma: español
• DOI: 10.36825/RITI.07.14.019
• Títulos paralelos:
  • Similarity and evaluation metrics for collaborative based recommender systems
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Los sistemas de recomendación son sistemas inteligentes que proporcionan a los usuarios una serie de sugerencias personalizadas sobre un determinado tipo de elementos (objetos). Para esto, se recaban por diferentes medios las características de cada usuario para, mediante un procesamiento de los datos, encontrar un subconjunto de ítems que pueden resultarle de interés. Mejorar la exactitud de las recomendaciones es una tarea crucial debido a la tendencia que han adoptado los sitios web, principalmente comerciales, de ofrecer a sus visitantes contenidos del catálogo que les podrían interesar acorde a sus necesidades o gustos. En este artículo se presenta un análisis comparativo entre algunas de las métricas de similitud y evaluación propuestas para los sistemas de recomendación basados en filtrado colaborativo; realizando pruebas sobre datasets comúnmente utilizados para determinar su eficiencia en producción.

  • English

    Recommender Systems are smart systems that bring to the users a set of personalized suggestions from an specific type of items(objects). In order to do this, several techniques are used to collect the user’s characteristics for, using data processing, to find a subset of items that could be relevant to him. The improvement of the recommendation’s accuracy is crucial because offering relevant content (based on needs or likes) to the visitors of web sites, mainly commercial ones, is trending. This article shows a comparative analysis among different similarity and evaluation metrics proposed for collaborative-filtering based recommender systems; doing tests on commonly used datasets to determine its efficiency on production time.

• Referencias bibliográficas
  • Dietmar, J., Zanker, M., Felfernig, A., Friedrich, G. (2011). Recommender Systems. New York: Cambridge University Press.
  • Facebook. (2019). https://www.facebook.com
  • Twitter. (2019). https://twitter.com
  • Pinterest. (2019). https://www.pinterest.com.mx/
  • Amazon. (2019). https://www.amazon.com.mx
  • Ebay. (2019). https://www.ebay.es
  • Netflix. (2019). https://www.netflix.com/browse
  • YouTube. (2019). https://www.youtube.com/
  • Moya García, R. (2013). SVD aplicado a sistemas de recomendación basados en filtrado colaborativo (Tesis Master). Universidad Politécnica...
  • Sarwar, B., Karypis, G., Konstan, J., Reidl, J. (2001). Item-based collaborative filtering recommendation algorithms. Presentado en el Tenth...
  • Gunawardana, A., Shani, G. (2009). A Survey of Accuracy Evaluation Metrics of Recommendation Tasks. Journal of Machine Learning Research,...
  • Owen S., Robin A. (2009). Mahout in Action. Greenwich: Manning Publications Publications Co.
  • Liu, H., Hu, Z., Mian, A., Tian, H., Zhu, X. (2014). A new user similarity model to improve the accuracy of collaborative filtering. Knowledge-Based...
  • Castellano, E. J., Martínez, L., Barranco, M., Pérez Cordón, L. G. (2007). Recomendación de perfiles académicos mediante algoritmos colaborativos...
  • Rojas Castellanos, Y. (2014). Sistema de recomendación por filtrado colaborativo para el sistema de publicación de contenido multimedia—VideoWeb...
  • Del Pino, J., Salazar, G., Cedeño, V. (2011). Adaptación de un Recomendador de Filtro Colaborativo Basado en el Usuario para la Creación de...
  • Zeng, W., Zhu, Y.-X., Lü, L., Zhou, T. (2011). Negative ratings play a positive role in information filtering. Physica A: Statistical Mechanics...
  • Taghavi, M., Bentahar, J., Bakhtiyari, K., Hanachi, C. (2018). New Insights Towards Developing Recommender Systems. The Computer Journal,...
  • Papachristoudis, G. (2019). Popular evaluation metrics in recommender systems explained. Recuperado de: https://medium.com/qloo/popular-evaluation-metrics-in-recommender-systems-explained-324ff2fb427d
  • Costa J.F.P. (2011) Weighted Correlation. En: M. Lovric (eds), International Encyclopedia of Statistical Science. Springer-Verlag Berlin Heidelberg....
  • Ramírez Morales, C. A. (2018). Algoritmo SVD aplicado a los sistemas de recomendación en el comercio. Tecnología Investigación y Academia,...
  • Sadegui Moghaddam, M. H., Mustapha, N., Mustapha, A., Sharef, N. S., Elahian, A. (2015). Rust metrics in recommender systems: a survey. Advanced...
  • Goldberg, K., Roeder , T., Gupta, D., Perkins, C. (2000). Information Retrieval, 4 (2), 133-151. doi: https://doi.org/10.1023/A:1011419012209
  • Graham, D. (2019). Limitations of Collaborative Recommender Systems. Recuperado de: https://towardsdatascience.com/limitations-of-collaborative-recommender-systems-9801036941b3
  • Papagelis, M., Plexousakis, D., Kutsuras, T. (2005). Alleviating the sparsity problem of collaborative. En: Herrmann P., Issarny V., Shiu...