Sistemas Recomendadores Híbridos

En esta clase

1. Motivación
2. Clasificación General
3. Modelos de Hibridización
4. Ejemplos

Diferentes métodos tienen distintas debilidades y fortalezas

• Filtrado Colaborativo es preciso, pero sufre de sparsity, cold start y new item problem

• Filtrado Basado en contenido no sufre tanto por sparsity y permite con facilidad para extraer features del contenido. Sin embargo, también sufre de "new user problem", es menos preciso de el F.C. y presenta sobre-especialización.

• Knowledge-based: No los hemos visto hasta ahora. Casos típicos son Constrait-Based y Case-Based. Basados en un paradigma más interactivo, también los llaman “Conversacionales” (Burke, 2002). Su principal debilidad es el costo de mantener las reglas actualizadas.

Ref: Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User modeling and user-adapted interaction, 12(4), 331-370.

Ref: Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: an introduction. Cambridge University Press.

Ref: Jiyong Zhang, Nicolas Jones, and Pearl Pu. 2008. A visual interface for critiquing-based recom-mender systems. In Proceedings of the 9th Conference on Electronic Commerce (EC ’08). 230–239.

Ref: Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: an introduction. Cambridge University Press.

Según (Adomavicius et al., 2005)

• Implementar métodos CF y CB separadamente y combinar las predicciones
• Incorporar características de métodos CB dentro de un método CF
• Incorporar características colaborativas dentro de modelo CB
• Construir un modelo que de manera unificada incorpore características basadas en contenido y colaborativas

Ref: Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6), 734-749.

Burke (2002) distingue 7 estrategias de hibridización

Jannach (2012) resume las 7 estrategias en 3 diseños generales

• Monolítico
• Paralelizado
• Pipeline

Estrategias de Combinación:

• Feature Combination
• Feature Augmentation

• A diferencia de "feature combination"", este híbrido no sólo combina y procesa distintos tipos de entrada, sino que aplica algunos pasos de transformación más compleja.
  

Tres mecanismos principales:

• Weighted
• Mixed
• Switching

• La idea principal calcular una suma ponderada de los scores de items recomendados por diferentes recomendadores.

• La métrica de error MAE es ajustada:
  

• Ejemplo
  

• Asumiendo que Alice compró ítems 1 y 4
  

• De un grupo de recomendadores, activar un recomendador a la vez.

• Podría ser especialmente útil considerando los learning rate de algunos métodos.

• Ejemplo: Elegir entre un clasificador Bayesiano y un recomendador Item-based como en: Ghazanfar, M., & Prugel-Bennett, A. (2010). An Improved Switching Hybrid Recommender System Using Naive Bayes Classifier and Collaborative Filtering.

Dos mecanismos principales:

• Cascade
• Meta-Level

El modelo aprendido por un recomendador es usado para un segundo recomendador. Transfer Learning:

Tutorial on Cross-domain recommender systemshttp://recsys.acm.org/wp-content/uploads/2014/10/recsys2014-tutorial-cross_domain.pdf

• Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User modeling and user-adapted interaction, 12(4), 331-370.
• Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6), 734-749.
• Burke, R. (2007). Hybrid web recommender systems. In The adaptive web (pp. 377-408). Springer Berlin Heidelberg.
• Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: an introduction. Cambridge University Press. Chicago