Modelos de filtrado colaborativo un estudio comparativo experimental y detallado | JoVE Visualize

Área de la Ciencia:

Ciencias de la computación
Inteligencia artificial
Ciencia de los datos

Sus antecedentes:

Los sistemas de recomendación (RS) personalizan las experiencias de los usuarios en dominios como el comercio electrónico y el entretenimiento.
El filtrado colaborativo (CF) es una técnica clave de RS, que utiliza la similitud del usuario para recomendar elementos.
Los métodos CF existentes incluyen enfoques basados en memoria, basados en modelos y redes neuronales.

Objetivo del estudio:

Realizar un análisis comparativo experimental de varios métodos de sistemas de recomendación de filtrado colaborativo.
Evaluar el rendimiento de diferentes técnicas de CF en conjuntos de datos de referencia utilizando múltiples métricas.
Proporcionar información sobre las fortalezas, limitaciones y aplicabilidad práctica de cada método.

Principales métodos:

Análisis comparativo de los métodos basados en la memoria (KNN), basados en modelos (SVD, SVD ++, coagrupación) y redes neuronales (NCF, DeepFM, LightGCN).
Evaluación de los conjuntos de datos de MovieLens (100K, 1M, 25M) utilizando métricas como RMSE, MAE, NDCG@10 y Precision@10.
Examen detallado de los mecanismos de trabajo, ventajas y desventajas de cada modelo.

Principales resultados:

Los modelos neuronales y basados en gráficos muestran mejoras significativas (hasta un 15% de ganancias de clasificación) en grandes conjuntos de datos para la precisión de la calificación y la clasificación top-k.
Los métodos más simples (KNN, SVD) siguen siendo efectivos para conjuntos de datos más pequeños o escenarios de bajos recursos debido a la facilidad de implementación e interpretabilidad.
Las ganancias de rendimiento varían según el tamaño del conjunto de datos, la complejidad del modelo y las métricas de evaluación.

Conclusiones:

La elección de la técnica de CF requiere equilibrar el costo computacional, la escalabilidad y la complejidad del modelo.
Los métodos neuronales y basados en gráficos ofrecen un rendimiento superior en datos a gran escala, mientras que los métodos tradicionales proporcionan una línea de base práctica.
Los hallazgos ofrecen orientación práctica para seleccionar las técnicas adecuadas del sistema de recomendación en función de las necesidades específicas de la aplicación y las características de los datos.