Unificando enfoques de filtrado colaborativo basados en usuarios y en ítems mediante la fusión de similitudes

Los métodos basados en memoria para el filtrado colaborativo predicen nuevas calificaciones promediando calificaciones (ponderadas) entre, respectivamente, pares de usuarios o ítems similares. En la práctica, un gran número de calificaciones de usuarios similares o ítems similares no están disponibles, debido a la escasez inherente a los datos de calificación. En consecuencia, la calidad de la predicción puede ser deficiente. Este artículo reformula el problema del filtrado colaborativo basado en memoria en un marco probabilístico generativo, tratando las calificaciones individuales de usuario-ítem como predictores de calificaciones faltantes. La calificación final se estima fusionando predicciones de tres fuentes: predicciones basadas en las calificaciones del mismo ítem por otros usuarios, predicciones basadas en diferentes calificaciones de ítems realizadas por el mismo usuario y, en tercer lugar, calificaciones predichas en función de datos de otros pero similares usuarios calificando otros pero similares ítems. Los enfoques existentes basados en usuarios e ítems corresponden a los dos casos simples de nuestro marco. Sin embargo, el modelo completo es más robusto a la escasez de datos, ya que los diferentes tipos de calificaciones se utilizan en conjunto, mientras que calificaciones adicionales de usuarios similares hacia ítems similares se emplean como modelo de fondo para suavizar las predicciones. Los experimentos demuestran que los métodos propuestos son en efecto más robustos contra la escasez de datos y brindan mejores recomendaciones.