Novas funções objetivas para filtragem colaborativa social

Este artigo examina o problema da filtragem colaborativa social (CF) para recomendar itens de interesse a usuários em um ambiente de rede social. Ao contrário dos algoritmos de CF padrão que usam características de usuários e itens relativamente simples, a recomendação em redes sociais apresenta um problema mais complexo de aprender as preferências dos usuários a partir de um conjunto rico e complexo de informações de perfil e interação do usuário. Muitos métodos existentes de CF social ampliaram a fatoração de matriz de CF tradicional, mas ignoraram aspectos importantes relevantes ao contexto social. Propomos uma estrutura unificada para a fatoração de matriz de CF social ao introduzir novas funções objetivas para treinamento. Nossas novas funções objetivas possuem três características principais que abordam as principais desvantagens das abordagens existentes: (a) exploramos plenamente a similaridade entre usuários baseada em características, (b) permitimos o aprendizado direto da difusão de informações entre usuários e (c) aproveitamos o (des)acordo de co-preferência entre dois usuários para aprender áreas restritas de interesse comum. Avaliamos esses novos objetivos de CF social, comparando-os entre si e com uma variedade de referências de CF (social), e analisamos o comportamento do usuário em testes ao vivo em um aplicativo do Facebook desenvolvido sob medida, envolvendo dados coletados ao longo de cinco meses de mais de 100 usuários do aplicativo e seus mais de 37.000 amigos.