Conceptos básicos de los filtros colaborativos basados ​​en el usuario en el análisis predictivo - dummies

Con un enfoque basado en el usuario para el filtrado colaborativo en análisis predictivo, el sistema puede calcular la similitud entre pares de usuarios utilizando la fórmula de similitud del coseno, una técnica muy similar al enfoque basado en elementos. Habitualmente, dichos cálculos tardan más en realizarse y es posible que deban computarse con más frecuencia que los que se utilizan en el enfoque basado en elementos. Eso es porque

• Tendría muchos más usuarios que ítems (idealmente de todos modos).

• Esperaría que los artículos cambien con menos frecuencia que los usuarios.

• Con más usuarios y menos cambios en los artículos ofrecidos, puede usar muchos más atributos además del historial de compras al calcular la similitud del usuario.

Un sistema basado en el usuario también puede usar algoritmos de aprendizaje automático para agrupar a todos los usuarios que han demostrado que tienen los mismos gustos. El sistema construye vecindarios de usuarios que tienen perfiles, patrones de compra o patrones de calificación similares. Si una persona en un barrio compra y le gusta un artículo, el sistema de recomendación puede recomendar ese artículo a todos los demás en el vecindario.

Al igual que con el filtrado colaborativo basado en elementos, el enfoque basado en el usuario requiere datos suficientes para que cada usuario sea efectivo. Antes de que el sistema pueda hacer recomendaciones, debe crear un perfil de usuario, por lo que también requiere que el usuario cree una cuenta y que inicie sesión (o almacene la información de la sesión en el navegador mediante cookies) mientras visualiza un sitio web.

Inicialmente, el sistema puede solicitar explícitamente al usuario que cree un perfil, desarrolle el perfil haciendo preguntas y luego optimice sus sugerencias una vez que los datos de compra del usuario se hayan acumulado.

Netflix es un ejemplo de creación rápida de un perfil para cada cliente. Este es el procedimiento general:

1. Netflix invita a sus clientes a configurar colas de las películas que les gustaría ver.

2. Las películas elegidas se analizan para conocer los gustos del cliente en las películas.

3. El modelo predictivo recomienda más películas para que el cliente las mire, basándose en las películas que ya están en la cola.

Una matriz de muestra de clientes y sus artículos comprados: es un ejemplo de filtrado colaborativo basado en el usuario. Para simplificar, use una regla que establezca que un barrio de usuarios se crea a partir de usuarios que compraron al menos dos cosas en común.

Cliente	Artículo 1	Artículo 2	Artículo 3	Artículo 4	Artículo 5	Artículo 6
A - N1	X	X > X	B - N1
X	X	C - N2
X	X	D - N2
X	X	X > E - N1	X
X	F - N1	X
X	X	X	G - N1	X
X > H - N3	X	I - N3
X	Hay tres barrios de usuarios formados: N1, N2 y N3.Cada usuario en los vecindarios N1 y N2 ha comprado al menos 2 artículos en común con alguien más en el mismo vecindario. N3 son usuarios que aún no han cumplido los criterios y no recibirán recomendaciones hasta que compren otros artículos para cumplir con los criterios.
Aquí hay un ejemplo de cómo podría usar este sistema de recomendación:	Sin conexión

a través de una campaña de marketing por correo electrónico o si el usuario está en el sitio web mientras está conectado. El sistema podría enviar avisos publicitarios o hacer recomendaciones en el sitio web de la siguiente manera:

Artículo 3 al Cliente B

Artículo 4 al Cliente C Artículo 1 al Cliente E

• Artículo 3 al Cliente F

• Artículo 2 al Cliente G

• Indeterminado artículo para Clientes A y D

• Lo ideal es que tenga muchos más artículos que seis. Y siempre debe haber algunos artículos en el vecindario de un cliente que el cliente aún no haya comprado.

• Elemento no determinado para clientes H e I

• En este caso, no hay datos suficientes para servir como base de una recomendación.

  Una diferencia muy importante es que dado que cada cliente pertenece a un grupo, cualquier compra futura que haga un miembro se recomendará a los demás miembros del grupo hasta que el filtro se recapacite. Entonces, los clientes A y D comenzarán a recibir recomendaciones muy rápidamente ya que pertenecen a un vecindario y seguramente los otros vecinos comprarán algo pronto.

• Por ejemplo: si el Cliente B compra el Artículo 6, el sistema de recomendación recomendará el elemento 6 a todos en N1 (Cliente A, B, E, F y G).

  El Cliente F puede pertenecer potencialmente al vecindario N1 o N2 dependiendo de cómo se implemente el algoritmo de filtrado colaborativo.

Los clientes H e I proporcionan ejemplos del problema de inicio en frío

:

El cliente simplemente no ha generado suficientes datos para agruparse en un barrio de usuarios. En ausencia de un perfil de usuario, un nuevo cliente con muy poco o ningún historial de compras, o que solo compra artículos oscuros, siempre presentará el problema de arranque en frío al sistema, independientemente del enfoque de filtrado colaborativo que esté en uso.

Cliente I ilustra un aspecto del problema de arranque en frío que es exclusivo del enfoque basado en el usuario. El enfoque basado en ítems comenzaría a encontrar otros ítems similares al ítem que compró el cliente; luego, si otros usuarios comienzan a comprar el Elemento 6, el sistema puede comenzar a hacer recomendaciones. El usuario no debe realizar más compras; el enfoque basado en elementos puede comenzar a recomendar. En un sistema basado en el usuario, sin embargo, el Cliente I tiene que realizar compras adicionales para pertenecer a un barrio de usuarios; el sistema no puede hacer ninguna recomendación todavía. De acuerdo, hay una suposición en el trabajo en estos ejemplos simples: que el cliente no solo compró el artículo sino que le gustó lo suficiente como para realizar compras similares. ¿Qué pasa si el cliente no le gusta el artículo? El sistema necesita, al menos, producir una mayor precisión en sus recomendaciones.

Puede agregar un criterio al sistema de recomendación para agrupar a las personas que otorgaron calificaciones similares a los artículos que compraron.Si el sistema encuentra clientes a los que les gusta y no les gustan los mismos artículos, entonces la suposición de alta precisión es válida. En otras palabras, existe una alta probabilidad de que los clientes compartan los mismos gustos.