Comentarios sobre Implicit Feedback

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.

Sobre el experimento que realizan, me parece extraño que filtren las películas que los usuarios vieron hasta su 50% o menos. Luego se habla de la incapacidad de obtener feedback negativo. En este sentido, el hecho de dejar un capítulo a medias por desinterés se podría considerar como una penalización a los similares al momento de recomendar.

En un ámbito similar, el paper Signals in the Silence: Models of Implicit Feedback in a Recommendation System for Crowdsourcing (2014) de Christopher H. Lin, Ece Kamar y Eric Horvitz; que es posterior al examinado en este post, considera la exposición de un ítem al momento de obtener feedback negativo. Pues un elemento visible e ignorado nos da intuición e los intereses del usuario.