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. De esta forma es posible obtener recomendaciones de ítems que a ese tipo de usuarios les parece importantes.

Esto es bueno porque pueden ocurrir recomendaciones ‘serendipitous’ (fortuitas), que son items con contenido que yo no esperaba pero me resultaron muy preciadas.

Sobre las semejanzas de los usuarios

Creo que la razón por la cual la correlación de Spearman funciona mejor (por lo general) que la de Pearson, es que cuando a nosotros los humanos nos gusta mucho algo, la relación de eso con algo que solo nos “gusta más o menos” no es lineal, sino logarítmica. Esto, en mi opinión, hace que la medida de Spearman funcione mejor.

Ver: http://www.scientificamerican.com/article/a-natural-log.

Me pareció muy interesante lo que salió a la luz cuando analizaban los vecinos más cercanos. Uno suele pensar en estas áreas de datos que mientras más información tengamos, siempre es mejor. Sin embargo, se aprecia que conviene trabajar dentro de cierto rango de vecinos. Pues muchos hacen menos precisa la recomendación y con muy pocos tenemos problemas coverage.

En una parte habla de que el proceso de recomendación debe hacerse en menos de 1 segundo para miles de usuarios, sin embargo esto contradice un poco la metodología que están usando porque ellos mismo declaran que puede conllevar a problemas de escalabilidad.

Finalmente, puesto que realizaron todo sobre el dataset de MovieLens, sus algoritmos fueron probados para ítems del tipo película/música, entonces no podemos asegurar que este flujo de trabajo sugerido funcione en otros ámbitos. Por ejemplo, recomendar una persona en alguna aplicación de citas.