Nov 20, 2016 · 1 minute read · Comments
recsys
El paper nos hace un recuento de cómo se están haciendo las recomendaciones en base a puntos de interés (POI). Este tipo de recomendaciones se puede hacer parecer a las recomendaciones típicas que hacíamos con ítems, solo que hay que considerar otros factores como las distancias, las concentraciones de POI, factores sociales y el gran problema de la esparcicidad, que para estos casos es más grave que antes. Se habla de que estos problemas pueden dividirse en las siguientes categorias: Pure check-in data based POI recommendation approaches.
Read On →
Nov 14, 2016 · 1 minute read · Comments
recsys
El paper muestra dos métodos para evaluar qué tan novedoso son algunas recomendaciones. La percepción de la novedocidad es importante para el usuario porque da posibilidad a cierta espontaneidad y se percibe como más auténtica. La dificultad de esto es que cuesta balancearlo con la familiaridad y la relevancia de ítems a recomendar. User-centric Se critica a la metodología típica del leave-n-out porque solo mide precisión y no qué tan útil es la información ni qué tan valiosa es.
Read On →
Nov 6, 2016 · 2 minute read · Comments
recsys
El paper se trata sobre link-prediction, que es el problema de poder predecir si la generación de vinculos en una comunidad. El problema de este tipo de estudio es que las redes sociales son muy dinámicas, versus los problemas de ratings donde ocurren cambios pocas veces al pasar el tiempo. Este tipo de problemas se tratan en base a snapshots de la red modelada como un grafo para un tiempo t y se intenta predecir a futuro en base a sus características implícitas.
Read On →
Oct 23, 2016 · 2 minute read · Comments
recsys
Otro paper que hace un resumen del estado actual de los sistemas recomendadores. Aprendizaje Activo Este le da énfasis a lo que es el Active Learning, que corresponde a la funcionalidad de un sistema recomendador que ayuda a mejorar las recomendaciones. El fin es poder de solucionar en parte el problema del Cold Start y la falta de datos. Es importante mencionar que esto ocurre Online y preguntándole al usuario sobre su gusto sobre ciertos ítems que el sistema considera importantes para mejorar las recomendaciones.
Read On →
Oct 15, 2016 · 2 minute read · Comments
recsys
Este paper toca los temas relacionados con la experiencia del usuario y su percepción sobre el sistema recomendador. En este sentido, es un enfoque más aterrizado en su uso final y en su repercución en negocio del que implementa el sistema. Evaluaciones De partida es difícil evaluar cómo los usuarios presienten una pieza de software. En primer lugar, en ellos existen varios sezgos personales y cuesta ser objetivos. En segundo lugar, es costo realizar mediciones y estudios, pues no es algo que se pueda programar y ejecutar cuantas veces se quiera, sino que requiere traer personas de verdad.
Read On →
Sep 25, 2016 · 1 minute read · Comments
recsys
El paper trata sobre filtrado colaborativo, pero en vez de usar el clásico sistema de ratings, se usa un sistema en base al feedback que da el usuario de manera implícita. Esto es, obtener información del usuario del uso que le de al sistema o aplicación, como por ejemplo: el tiempo dedicado a escuchar una canción. Se le da gran relevancia al rendimiento en términos de complejidad (lo que es bueno), particularmente al usar factorizaciones matriciales en vez de vecinos cercanos.
Read On →
Sep 18, 2016 · 1 minute read · Comments
recsys
El paper parte introducción un problema para ese entonces de los sistemas recomendadores: se pierde el contexto y por ende, poder predictivo. Posteriormente se hace un análisis sobre qué entendemos como “contexto” y distintas formas de caracterizarlo. Este se presenta como un “paseo” por las opciones que existen en esta área con casos reales e hipotéticos de su aplicación. Dado el avance en tecnologías móviles, hoy en día el tema del contexto debe ser más relevante que para ese entonces.
Read On →
Sep 11, 2016 · 1 minute read · Comments
recsys
Encuentro bueno que el paper parta comparando algunos métodos de recomendación con sus pros y contras, para luego hablar sobre recomendadores híbridos. Increíble que Entree sea de los mediados de los 90’s y sea algo como lo que hoy en día es FourSquare. Al parecer todavía está muy inmadura el área de recomendadores híbridos. Dada la naturaleza auto-dependiente de cada método en particular, deja mucho trabajo a nivel de decisión el cómo orquestar múltiples recomendadores al humano.
Read On →
Sep 10, 2016 · 2 minute read · Comments
recsys
El paper trata sobre los modelos de filtrado colaborativo donde parte mencionando los métodos en base a vecinos, junto con los problemas asociados a este. Luego se habla de los métodos en base a factores latentes. Aquí es donde entra las técnicas de factorización de matrices. Algunas ventajas de estos métodos son: Se permite usar feedback implícito. Esto datos sobre acciones que realizan los usuarios pero que no las declaran consiente y explícitamente al sistema.
Read On →
Sep 4, 2016 · 1 minute read · Comments
recsys
A modo de reseña, los sistemas recomendados basados en contenido analizan la descripción de los items para buscar cuáles son de interés para el usuario. ¿Cómo los representamos? Bueno si es texto libre, podemos tomar cada palabra y pasarla por un proceso de stemming para considerarlas como features. Típicamente está el problema de que se pierde el contexto de las palabras. No obstante, me pregunto si los algoritmos de stemming están adaptados al rápido cambio del lenguaje.
Read On →
