Técnicas híbridas en sistemas de recomendación para optimizar el modelo non negative matrix factorization

Abstract:

En este trabajo se presenta la incorporación de técnicas híbridas al modelo Non Negative Matrix Factorization para filtrado colaborativo basado en un modelo probabilístico Bayesiano (NNMF) para mejorar la calidad de las pbkp_redicciones en sistemas de recomendación basados en filtrado colaborativo. Se preservan las propiedades del modelo de Hernando et al. generando significados probabilísticos entendibles y recomendaciones fáciles de justificar. Con una técnica de pre-clustering basada en similaridades se mejora la calidad de las pbkp_redicciones de [1] en términos de accuracy. Adicionalmente se presentan dos técnicas: baseline pbkp_redictors [2] y significancias. Estas técnicas toman en cuenta aspectos de la interacción usuario-ítem por separado como las tendencias de usuarios, tendencias de ítems y preferencias de usuario. La incorporación de estas técnicas parten de la idea de Bobadilla et al. [3] que indican que puede haber algunos ítems y algunos usuarios en un sistema de recomendación que podrían ser altamente significantes para hacer las recomendaciones. Se aplica lógica difusa para resolver el grado de incertidumbre que presentan las significancias. En este trabajo se demuestra que estas t´ecnicas sí influyen en el aprendizaje del modelo NNMF. This work implements hybrid techniques on non negative matrix factorization for collaborative filtering recommender system based on Bayesian probabilistic model (NNMF) [1] to improve pbkp_rediction accuracy.We preserve properties of Hernando et al. model like an understandable probabilistic meaning such recommender system are able to explain the recommendations they …

Año de publicación:

2017

Keywords:

Fuente:

google