Contenido

Introducción

Sistemas de recomendación: definición, historia, taxonomía y contexto. Filtrado, priorización, recomendación y personalización de documentos y/o productos. Ejemplos y posibles aplicaciones. Desafíos: escalabilidad, esparcidad de ratings, problema de cold-start y latencia, transparencia y explicación. Enfoques de construcción: basado en contenido, colaborativo e híbridos.

Recomendación basada en Contenido

Construcción y adaptación de modelos de usuario basados en contenido. Análisis y representación de documentos. Pre-procesamiento de texto, reducción de dimensionalidad, modelo de espacio de vectores, métricas de similitud y ranking de documentos. Técnicas de clasificación de documentos. Algoritmos de aprendizaje aplicados a documentos: naïve Bayes, k-NN, árboles de decisión, Rocchio y otros.

Recomendación basada en Memoria

Métodos de filtrado colaborativo: demográfico, estereotipos, centrado en usuarios y/o en ítems, enfoques híbridos. Filtrado centrado en usuarios: comparación de perfiles, identificación de vecinos y predicción. Filtrado centrado en ítems: coeficientes de correlación, similitud y predicción. Técnicas de selección de instancias y reducción de dimensionalidad para recomendación. Ratings explícitos e implícitos: elicitación de ratings y otras contribuciones del feedback. Explicación de recomendación y aspectos de comunicación hombre-máquina.

Recomendación basada en Modelos

Enfoques basados en reglas. Aprendizaje de modelos: reglas de asociación, redes Bayesianas, neural networks y otros. Clustering de usuarios/items. Algoritmos basados en particionamiento, jerárquicos y conceptuales. Modelos de factores latentes. Recomendación sensitiva de contexto.

Predicción de Enlaces

Recomendación en redes sociales. Problemas de recomendación de amigos y seguidos. Análisis de redes sociales y de redes de co-citaciones. Métricas de similitud en grafos: índices locales y globales. Medidas basadas en vecinos, caminos y caminatas aleatorias. Algoritmos de ranking: PageRank, HITS, SALSA y variaciones. Detección de comunidades.

Evaluación Empírica

Evaluación empírica de sistemas adaptativos y de recomendación: simulación de usuarios y otras metodologías. Métricas de evaluación en sistemas de recomendación: efectividad, esparcidad, feedback de usuarios, cobertura, tasa de aprendizaje, novedosidad, CROC análisis y otras. Estrategias de evaluación: adaptaciones de holdout y cross-validation. Colecciones de evaluación estándar para filtrado colaborativo.


Bibliografía



Titulo

Autor/es

Editorial

Año de edición

Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions

Adomavicius, G. and Tuzhilin, A.

IEEE Transactions on Knowledge and Data Engineering. Vol. 17, no. 6, pp. 734-749

2005

Social Network Data Analytics


Aggarwal, C. C.

Springer

2011

Web Data Mining: Exploring Hyperlinks, Contents and Usage Data (2nd edition)

Liu, B.

Springer

2011

Recommender Systems Handbook (2nd edition)


Ricci, F., Rokach, L., Shapira, B.

Springer

2015

Social Network-Based Recommender Systems

Schall, D.

Springer

2015

Machine Learning in Automated Text Categorization

Sebastiani, F.

ACM Computing Surveys, 34(1): 1-47

2002

Evaluating Collaborative Filtering Recommender Systems

Herlocker, J. L., Konstan, J. A., Terveen, L. G., Riedl, J. T.

ACM Transactions on Information Systems (TOIS), Vol. 22(1), pp. 5-53

2004

Predictive Statistical Models for User Modeling

Zukerman, I., Albrecht, D.

User Modeling and User-Adapted Interaction. Vol. 11(1-2), pp. 5-18

2001

Link prediction in complex networks: A survey

Lü, L., Zhou, T.

Physica A: Statistical Mechanics and its Applications. Vol. 390(6), pp. 1150-1170

2011

Data Mining: Practical Machine Learning Tools with Java Implementations (3rd edition)

Witten, I. H., Frank, E. and Hall, M. A.

Morgan Kaufmann

2011

Survey of Clustering Algorithms

Xu, R.

IEEE Transactions on Neural Networks, 16 (3), 645-678

2005