Comentarios sobre Collaborative Filtering for Social Tagging Systems

El paper introduce los nuevos desafíos de los sistemas recomendados en base a etiquetas. El gran cambio que producen es que los usuarios pueden dar información (poner etiquetas) que deben pasar por filtros de relevancia y calidad. Pues tienen la libertad de poner lo que se les de la gana. El objetivo es probar si este tipo de sistemas permite encontrar mejores usuarios similares y por ende, mejores recomendaciones. Dentro de las medidas que se tomaron durante la preparación, fue buena idea normalizar las tags y elegir más usuarios candidatos de los previstos para no sesgar las recomendaciones al área científica (PAWS). Read On →

Comentarios sobre Sources of Knowledge and Evaluation Metrics

El paper de Denis Parra (me pregunto quién será él) y Shaghayegh Sahebi es una especie de handbook para empezar a entender a los sistemas recomendadores. El fin último de un sistema de este estilo es entregarle al usuario lo que necesita sin tener que preguntárselo. Los tres principales tipos de sistemas recomendadores son: Basados en reglas Por lo general las reglas son definidas a mano y requieren que el usuario personalmente (y parcialmente) diga qué le gusta. Read On →

Comentarios sobre Item-Based CF

El paper aborda el tema de la escalabilidad y esparcicidad de los Filtros Colaborativos. En particular el cuello de botella ocurre al buscar los vecinos más cercanos de los usuarios, que se complica más cuando empiezan a aparecer más personas. Así también el problema de la precisión cuando tienen muchos ítems pero pocos ratings. El CF basado en ítems parte haciendo algo similar a los esquemas basados en modelos. Esto es, calcular las similaridades entre los ítems y luego escoger los ítems más similares. Read On →

Comentarios sobre Slope One

El objetivo del paper es mostrar que los algoritmos de Filtrado Colaborativo (CF) con Slope One pueden tener un performance similar a los clásicos algoritmos y además: Ser fáciles de implementar y mantener. Poder ser actualizados durante la ejecución. Ser rápidos en consultar. La desventaja de los algoritmos que dependen de similaridades entre los usuarios es que hacen que el proceso sea lento y difícil de actualizar en tiempo real. En este sentido, Slope One tiene un esquema en base a modelos y no en memoria, lo que lo hace más eficiente en la práctica. Read On →

Comentarios sobre Filtrado Colaborativo de Herlocker J.

El paper parte con el problema de recomendación colaborativa y lo divide en etapas. Luego en cada etapa toma ciertos posibles modos de abordarla y los pone en comparación. Finalmente concluye con un flujo de trabajo sugerido, no obstante avisa de ciertos cuidados a considerar dependiendo del contexto y el tipo de datos que tenemos. La ventaja de un filtrado colaborativo es que no depende de la información intrínseca de un ítem, sino que se basa en el contexto de los usuarios que lo recomiendan y como me parezco a ellos. Read On →

Comentarios sobre cómo Hacker News ordena las noticias

Todos los días en la mañana, en el transporte público y/o en momento de procrastinación leo Hacker News para mantenerme al día. En mi ramo de Sistemas Recomendadores me topé con este artículo que habla sobre el algoritmo que hay por detrás de su sección principal: https://medium.com/hacking-and-gonzo/how-hacker-news-ranking-algorithm-works-1d9b0cf2c08d Se puede ver la implementación del algoritmo en esa página. Resulta que este se aplica para cada item en particular sin importar el contexto o relación con otros. Read On →

React Native + Typescript

How to write a React Native app using Typescript

Read On →

LaTeX and Markdown spell check in Atom

Lint your spelling while writing

Read On →

Python 2 & 3 Quick Server

Serve static content during development

Read On →

C Development Environment with Atom on OSX

Setup a modern C development environment with Atom

Read On →