Modelos de filtrado colaborativo un estudio comparativo experimental y detallado

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.