Aprendiendo códigos binarios para filtrado colaborativo

Este documento aborda el problema de eficiencia de hacer recomendaciones en el contexto de grandes espacios de usuarios y artículos. En particular, abordamos el problema de aprender códigos binarios para filtrado colaborativo, lo que nos permite hacer recomendaciones de manera eficiente con una complejidad de tiempo que es independiente del número total de artículos. Proponemos construir códigos binarios para usuarios y artículos de tal manera que la preferencia de los usuarios sobre los artículos se pueda preservar con precisión mediante la distancia de Hamming entre sus respectivos códigos binarios. Al utilizar dos funciones de pérdida que miden el grado de divergencia entre las calificaciones de entrenamiento y las predicciones, formulamos el problema de aprender códigos binarios como un problema de optimización discreta. Aunque este problema de optimización es intratable en general, desarrollamos relajaciones efectivas que pueden resolverse de manera eficiente mediante métodos existentes. Además, investigamos dos métodos para obtener los códigos binarios a partir de las soluciones relajadas. Se realizaron evaluaciones en tres conjuntos de datos de dominio público y los resultados sugieren que nuestro método propuesto supera varias alternativas de referencia.