Sistema de recomendación

Las diferencias entre el filtrado colaborativo y el basado en contenido se pueden demostrar comparando dos sistemas antiguos de recomendación de música: Last.fm y Pandora Radio .

• Last.fm crea una "estación" de canciones recomendadas observando qué bandas y canciones individuales escucha el usuario con regularidad y comparándolas con el comportamiento de escucha de otros usuarios. Last.fm reproducirá canciones que no aparecen en la biblioteca del usuario, pero que suelen escuchar otros usuarios con intereses similares. Dado que este enfoque aprovecha el comportamiento de los usuarios, es un ejemplo de técnica de filtrado colaborativo . ^{[ 16 ]}
• Pandora utiliza las propiedades de una canción o artista (un subconjunto de los 450 atributos proporcionados por el Proyecto Genoma Musical ^{[ 17 ]} ) para crear una "estación" que reproduce música con propiedades similares. Los comentarios de los usuarios se utilizan para refinar los resultados de la estación, restando importancia a ciertos atributos cuando a un usuario no le gusta una canción en particular y dando mayor importancia a otros atributos cuando le gusta. Este es un ejemplo de un enfoque basado en el contenido.

Cada tipo de sistema tiene sus fortalezas y debilidades. En el ejemplo anterior, Last.fm requiere una gran cantidad de información sobre un usuario para hacer recomendaciones precisas. Este es un ejemplo del problema del arranque en frío , común en los sistemas de filtrado colaborativo. ^{[ 18 ] [ 19 ] [ 20 ] [ 21 ] [ 22 ] [ 23 ]} Mientras que Pandora necesita muy poca información para empezar, su alcance es mucho más limitado (por ejemplo, solo puede hacer recomendaciones similares a la semilla original).

Los sistemas de recomendación son una alternativa útil a los algoritmos de búsqueda, ya que ayudan a los usuarios a descubrir elementos que de otro modo no habrían encontrado. Cabe destacar que los sistemas de recomendación suelen implementarse utilizando motores de búsqueda que indexan datos no tradicionales. En algunos casos, como en el caso Gonzalez contra Google ante la Corte Suprema, se puede argumentar que los algoritmos de búsqueda y recomendación son tecnologías diferentes. ^{[ 24 ]}

Los sistemas de recomendación han sido el foco de varias patentes concedidas, ^{[ 25 ] [ 26 ] [ 27 ] [ 28 ] [ 29 ]} y hay más de 50 bibliotecas de software ^{[ 30 ]} que apoyan el desarrollo de sistemas de recomendación, incluyendo LensKit, ^{[ 31 ] [ 32 ]} RecBole, ^{[ 33 ]} ReChorus ^{[ 34 ]} y RecPack. ^{[ 35 ]}

Un ejemplo de predicción de la calificación del usuario mediante filtrado colaborativo.

• Izquierda: Al principio, las personas califican diferentes elementos (como videos, imágenes, juegos).
• Derecha: Después, el sistema realiza predicciones sobre la calificación que un usuario le dará a un artículo que aún no ha calificado personalmente. Estas predicciones se basan en las calificaciones existentes de otros usuarios que tienen calificaciones similares a las del usuario activo. Por ejemplo, en nuestro caso, el sistema predijo que al usuario ubicado en la esquina inferior izquierda de la red no le gustará el video.

Un enfoque para el diseño de sistemas de recomendación que se utiliza ampliamente es el filtrado colaborativo . ^{[ 50 ]} El filtrado colaborativo se basa en la suposición de que las personas que coincidieron en el pasado coincidirán en el futuro y que les gustarán tipos de elementos similares a los que les gustaron en el pasado. El sistema genera recomendaciones utilizando únicamente información sobre los perfiles de calificación de diferentes usuarios o elementos. Al localizar usuarios o elementos pares con un historial de calificaciones similar al del usuario o elemento actual, genera recomendaciones utilizando este vecindario.

El enfoque de filtrado colaborativo no depende del contenido analizable por máquina y, por lo tanto, es capaz de recomendar con precisión elementos complejos como películas sin necesidad de comprender el elemento en sí. Se han utilizado muchos algoritmos para medir la similitud entre usuarios o elementos en sistemas de recomendación. Por ejemplo, el método de k vecinos más cercanos (k-NN) ^{[ 51 ]} y la correlación de Pearson, implementada por primera vez por Allen ^{[ 52 ] .}

Los enfoques de filtrado colaborativo a menudo sufren de tres problemas: arranque en frío , escalabilidad y escasez. ^{[ 53 ]}

• Arranque en frío : Para un usuario o elemento nuevo, no hay suficientes datos para hacer recomendaciones precisas. Nota: una solución comúnmente implementada para este problema es el algoritmo del bandido multi-brazo . ^{[ 54 ] [ 18 ] [ 19 ] [ 21 ] [ 23 ]}
• Escalabilidad : En muchos de los entornos donde estos sistemas realizan recomendaciones, existen millones de usuarios y productos. Por lo tanto, a menudo se requiere una gran capacidad de procesamiento para calcular dichas recomendaciones.
• Escasez de datos : La cantidad de artículos vendidos en las principales plataformas de comercio electrónico es enorme. Los usuarios más activos solo habrán calificado un pequeño subconjunto de la base de datos total. Por lo tanto, incluso los artículos más populares tienen muy pocas calificaciones.

Los servicios de redes sociales han utilizado el filtrado colaborativo para recomendar nuevos amigos, grupos y otras conexiones sociales examinando la red de conexiones entre un usuario y sus amigos. ^{[ 1 ]}

Otro enfoque común al diseñar sistemas de recomendación es el filtrado basado en contenido . Los métodos de filtrado basado en contenido se basan en una descripción del artículo y un perfil de las preferencias del usuario. ^{[ 55 ] [ 56 ]} Estos métodos son más adecuados para situaciones en las que se conocen datos sobre un artículo (nombre, ubicación, descripción, etc.), pero no sobre el usuario. Los sistemas de recomendación basados ​​en contenido tratan la recomendación como un problema de clasificación específico del usuario y aprenden un clasificador para los gustos y disgustos del usuario basándose en las características de un artículo.

En este sistema, se utilizan palabras clave para describir los artículos y se crea un perfil de usuario que indica el tipo de artículo que le gusta. En otras palabras, estos algoritmos intentan recomendar artículos similares a los que el usuario ha preferido o está consultando actualmente. No requiere que el usuario inicie sesión para generar este perfil, que suele ser temporal. En concreto, se comparan varios artículos candidatos con los que el usuario ha valorado previamente y se recomiendan los que mejor coinciden. Este enfoque tiene sus raíces en la investigación sobre recuperación y filtrado de información .

Para crear un perfil de usuario , el sistema se centra principalmente en dos tipos de información:

1. Un modelo de las preferencias del usuario.
2. Historial de la interacción del usuario con el sistema de recomendación.

Básicamente, estos métodos utilizan un perfil de ítem (es decir, un conjunto de atributos y características discretas) que caracteriza al ítem dentro del sistema. Para abstraer las características de los ítems en el sistema, se aplica un algoritmo de presentación de ítems. Un algoritmo ampliamente utilizado es la representación tf-idf (también llamada representación de espacio vectorial ). ^{[ 57 ]} El sistema crea un perfil de usuario basado en el contenido a partir de un vector ponderado de características del ítem. Los pesos indican la importancia de cada característica para el usuario y se pueden calcular a partir de vectores de contenido calificados individualmente utilizando diversas técnicas. Los enfoques simples utilizan los valores promedio del vector del ítem calificado, mientras que otros métodos sofisticados utilizan técnicas de aprendizaje automático como clasificadores bayesianos , análisis de clústeres , árboles de decisión y redes neuronales artificiales para estimar la probabilidad de que al usuario le guste el ítem. ^{[ 58 ]}

Un aspecto clave del filtrado basado en contenido es si el sistema puede aprender las preferencias del usuario a partir de sus acciones en una fuente de contenido y aplicarlas a otros tipos de contenido. Cuando el sistema se limita a recomendar contenido del mismo tipo que el usuario ya utiliza, el valor del sistema de recomendaciones es significativamente menor que cuando se pueden recomendar otros tipos de contenido de otros servicios. Por ejemplo, recomendar artículos de noticias en función de la navegación por noticias es útil. Sin embargo, sería mucho más útil poder recomendar música, vídeos, productos, debates, etc., de diferentes servicios, en función de la navegación por noticias. Para superar esto, la mayoría de los sistemas de recomendación basados ​​en contenido utilizan actualmente algún tipo de sistema híbrido.

Los sistemas de recomendación basados ​​en contenido también pueden incluir sistemas de recomendación basados ​​en opiniones. En algunos casos, se permite a los usuarios dejar reseñas o comentarios sobre los artículos. Estos textos generados por los usuarios son datos implícitos para el sistema de recomendación, ya que constituyen recursos potencialmente valiosos tanto de las características/aspectos del artículo como de la evaluación/sentimiento de los usuarios hacia él. Las características extraídas de las reseñas generadas por los usuarios mejoran los metadatos de los artículos, ya que, al reflejar aspectos del artículo como los metadatos, las características extraídas son de gran interés para los usuarios. Los sentimientos extraídos de las reseñas pueden considerarse como las puntuaciones de los usuarios sobre las características correspondientes. Los enfoques populares de los sistemas de recomendación basados ​​en opiniones utilizan diversas técnicas, como la minería de texto , la recuperación de información , el análisis de sentimientos (véase también Análisis de sentimientos multimodal ) y el aprendizaje profundo . ^{[ 59 ]}

La mayoría de los sistemas de recomendación ahora utilizan un enfoque híbrido, que combina filtrado colaborativo , filtrado basado en contenido y otros enfoques. Los enfoques híbridos se pueden implementar de varias maneras: haciendo predicciones basadas en contenido y basadas en colaboración por separado y luego combinándolas; agregando capacidades basadas en contenido a un enfoque basado en colaboración (y viceversa); o unificando los enfoques en un solo modelo. ^{[ 45 ]} Varios estudios que compararon empíricamente el rendimiento del híbrido con los métodos puramente colaborativos y basados ​​en contenido demostraron que los métodos híbridos pueden proporcionar recomendaciones más precisas que los enfoques puros. Estos métodos también se pueden utilizar para superar algunos de los problemas comunes en los sistemas de recomendación, como el arranque en frío y el problema de la escasez, así como el cuello de botella de la ingeniería del conocimiento en los enfoques basados ​​en conocimiento . ^{[ 60 ]}

Netflix utiliza sistemas de recomendación híbridos para hacer recomendaciones comparando los hábitos de visualización y búsqueda de usuarios similares (es decir, filtrado colaborativo) y ofreciendo películas que comparten características con películas que un usuario ha calificado positivamente (filtrado basado en contenido). ^{[ 61 ]}

Algunas técnicas de hibridación incluyen:

• Ponderado : Combina numéricamente la puntuación de los diferentes componentes de la recomendación.
• Cambio : Seleccionar entre los componentes de la recomendación y aplicar el seleccionado.
• Mixto : Las recomendaciones de diferentes fuentes se presentan juntas para dar la recomendación.
• Cascada : Se da prioridad estricta a los recomendadores, y los de menor prioridad desempatan en la puntuación de los de mayor prioridad.
• Nivel meta : Se aplica una técnica de recomendación y se genera algún tipo de modelo, que luego sirve como entrada para la siguiente técnica. ^{[ 62 ]}

Estos sistemas de recomendación utilizan las interacciones de un usuario dentro de una sesión ^{[ 63 ]} para generar recomendaciones. Los sistemas de recomendación basados ​​en sesiones se utilizan en YouTube ^{[ 64 ]} y Amazon ^{[ 65 ]} . Son particularmente útiles cuando el historial (como clics y compras anteriores) de un usuario no está disponible o no es relevante en la sesión actual. Los dominios donde las recomendaciones basadas en sesiones son particularmente relevantes incluyen video, comercio electrónico, viajes, música y más. La mayoría de los sistemas de recomendación basados ​​en sesiones se basan en la secuencia de interacciones recientes dentro de una sesión sin requerir detalles adicionales (históricos, demográficos) del usuario. Las técnicas para recomendaciones basadas en sesiones se basan principalmente en modelos generativos secuenciales como redes neuronales recurrentes ^{[ 63 ] [ 66 ]} , transformadores ^{[ 67 ]} y otros enfoques basados ​​en aprendizaje profundo ^{[ 68 ] [ 69 ] .}

El problema de recomendación puede verse como un caso particular de un problema de aprendizaje por refuerzo, donde el usuario es el entorno sobre el cual el agente, el sistema de recomendación, actúa para recibir una recompensa, por ejemplo, un clic o una interacción por parte del usuario. ^{[ 64 ] [ 70 ] [ 71 ]} Un aspecto del aprendizaje por refuerzo que resulta particularmente útil en el área de los sistemas de recomendación es el hecho de que los modelos o políticas pueden aprenderse proporcionando una recompensa al agente de recomendación. Esto contrasta con las técnicas de aprendizaje tradicionales que se basan en enfoques de aprendizaje supervisado menos flexibles; las técnicas de recomendación de aprendizaje por refuerzo permiten entrenar modelos que pueden optimizarse directamente en función de métricas de interacción e interés del usuario. ^{[ 72 ]}

Los sistemas de recomendación multicriterio (MCRS) se definen como sistemas que incorporan información de preferencias sobre múltiples criterios. En lugar de desarrollar técnicas de recomendación basadas en un único criterio, la preferencia general del usuario u por el elemento i, estos sistemas intentan predecir una calificación para elementos no explorados por u, aprovechando la información de preferencias sobre múltiples criterios que afectan a este valor de preferencia general. Varios investigadores abordan los MCRS como un problema de toma de decisiones multicriterio (MCDM) y aplican métodos y técnicas de MCDM para implementar sistemas MCRS. ^{[ 73 ]} Véase este capítulo ^{[ 74 ]} para una introducción más extensa.

La mayoría de los enfoques existentes para los sistemas de recomendación se centran en recomendar el contenido más relevante a los usuarios utilizando información contextual, pero no tienen en cuenta el riesgo de molestar al usuario con notificaciones no deseadas. Es importante considerar el riesgo de molestar al usuario al enviar recomendaciones en ciertas circunstancias, por ejemplo, durante una reunión profesional, temprano por la mañana o tarde por la noche. Por lo tanto, el rendimiento del sistema de recomendación depende en parte del grado en que haya incorporado el riesgo en el proceso de recomendación. Una opción para gestionar este problema es DRARS , un sistema que modela la recomendación sensible al contexto como un problema de bandido . Este sistema combina una técnica basada en contenido y un algoritmo de bandido contextual. ^{[ 75 ]}

Los sistemas de recomendación móviles utilizan teléfonos inteligentes con acceso a internet para ofrecer recomendaciones personalizadas y contextuales. Esta es un área de investigación particularmente difícil, ya que los datos móviles son más complejos que los datos con los que suelen trabajar los sistemas de recomendación. Son heterogéneos, ruidosos, requieren autocorrelación espacial y temporal, y presentan problemas de validación y generalización. ^{[ 76 ]}

Hay tres factores que podrían afectar los sistemas de recomendación móviles y la precisión de los resultados de predicción: el contexto, el método de recomendación y la privacidad. ^{[ 77 ]} Además, los sistemas de recomendación móviles sufren un problema de trasplante: las recomendaciones pueden no ser aplicables en todas las regiones (por ejemplo, no sería prudente recomendar una receta en un área donde no todos los ingredientes estén disponibles).

Un ejemplo de sistema de recomendación móvil son los enfoques adoptados por empresas como Uber y Lyft para generar rutas de conducción para taxistas en una ciudad. ^{[ 76 ]} Este sistema utiliza datos GPS de las rutas que siguen los taxistas durante su jornada laboral, que incluyen la ubicación (latitud y longitud), la hora y el estado operativo (con o sin pasajeros). Utiliza estos datos para recomendar una lista de puntos de recogida a lo largo de una ruta, con el objetivo de optimizar los tiempos de ocupación y las ganancias.

Los sistemas de recomendación generativos (GR) representan un enfoque que transforma las tareas de recomendación en problemas de transducción secuencial , donde las acciones del usuario se tratan como tokens en un marco de modelado generativo. En un método, conocido como HSTU (Unidades de Transducción Secuencial Jerárquica), ^{[ 78 ]} los conjuntos de datos de alta cardinalidad , no estacionarios y en flujo continuo se procesan eficientemente como secuencias, lo que permite al modelo aprender de billones de parámetros y manejar historiales de acciones del usuario órdenes de magnitud más largos que antes. Al convertir todos los datos variados del sistema en un único flujo de tokens y utilizar un enfoque de autoatención personalizado en lugar de las capas de redes neuronales tradicionales , los sistemas de recomendación generativos hacen que el modelo sea mucho más simple y requiera menos memoria. Como resultado, puede mejorar la calidad de las recomendaciones en simulaciones de prueba y en pruebas del mundo real, a la vez que es más rápido que los sistemas anteriores basados ​​en Transformer al manejar largas listas de acciones del usuario. En definitiva, este enfoque permite que el rendimiento del modelo crezca de forma constante a medida que se utiliza más potencia de cálculo, sentando las bases para " modelos fundamentales " eficientes y escalables para las recomendaciones.

La evaluación es importante para valorar la eficacia de los algoritmos de recomendación. Para medir la eficacia de los sistemas de recomendación y comparar diferentes enfoques, existen tres tipos de evaluaciones : estudios de usuarios, evaluaciones en línea (pruebas A/B) y evaluaciones fuera de línea. ^{[ 47 ]}

Las métricas más utilizadas son el error cuadrático medio y la raíz del error cuadrático medio , esta última empleada en el Premio Netflix. Las métricas de recuperación de información, como la precisión y la exhaustividad o la ganancia acumulativa descontada (GCD), son útiles para evaluar la calidad de un método de recomendación. La diversidad, la novedad y la cobertura también se consideran aspectos importantes en la evaluación. ^{[ 85 ]} Sin embargo, muchas de las medidas de evaluación clásicas son objeto de fuertes críticas . ^{[ 86 ]}

Evaluar el rendimiento de un algoritmo de recomendación en un conjunto de datos de prueba fijo siempre será extremadamente difícil, ya que es imposible predecir con precisión las reacciones de los usuarios reales a las recomendaciones. Por lo tanto, cualquier métrica que calcule la efectividad de un algoritmo con datos offline será imprecisa.

Los estudios de usuario suelen ser a pequeña escala. Se presentan a unas pocas docenas o cientos de usuarios recomendaciones creadas mediante diferentes métodos, y luego los usuarios juzgan cuáles son las mejores.

En las pruebas A/B, se muestran recomendaciones a miles de usuarios de un producto real, y el sistema de recomendación selecciona aleatoriamente al menos dos enfoques diferentes para generar recomendaciones. La efectividad se mide con indicadores implícitos como la tasa de conversión o la tasa de clics .

Las evaluaciones fuera de línea se basan en datos históricos, por ejemplo, un conjunto de datos que contiene información sobre cómo los usuarios calificaron previamente las películas. ^{[ 87 ]}

La efectividad de los enfoques de recomendación se mide entonces en función de qué tan bien un enfoque de recomendación puede predecir las calificaciones de los usuarios en el conjunto de datos. Si bien una calificación es una expresión explícita de si a un usuario le gustó una película, dicha información no está disponible en todos los dominios. Por ejemplo, en el dominio del sistema de recomendación de citas, los usuarios normalmente no califican una cita o artículo recomendado. En tales casos, las evaluaciones fuera de línea pueden usar medidas implícitas de efectividad. Por ejemplo, se puede asumir que un sistema de recomendación es efectivo si es capaz de recomendar tantos artículos como sea posible que estén contenidos en la lista de referencias de un artículo de investigación. Sin embargo, este tipo de evaluaciones fuera de línea es visto críticamente por muchos investigadores. ^{[ 88 ] [ 89 ] [ 90 ] [ 47 ]} Por ejemplo, se ha demostrado que los resultados de las evaluaciones fuera de línea tienen baja correlación con los resultados de estudios de usuarios o pruebas A/B. ^{[ 90 ] [ 91 ]} Se ha demostrado que un conjunto de datos popular para evaluación fuera de línea contiene datos duplicados y, por lo tanto, conduce a conclusiones erróneas en la evaluación de algoritmos. ^{[ 92 ]} A menudo, los resultados de las llamadas evaluaciones fuera de línea no se correlacionan con la satisfacción del usuario evaluada realmente. ^{[ 93 ]} Esto probablemente se deba a que el entrenamiento fuera de línea está muy sesgado hacia los elementos más accesibles, y los datos de las pruebas fuera de línea están muy influenciados por los resultados del módulo de recomendación en línea. ^{[ 88 ] [ 94 ]} Los investigadores han concluido que los resultados de las evaluaciones fuera de línea deben verse de forma crítica. ^{[ 95 ]}

Por lo general, la investigación sobre sistemas de recomendación se centra en encontrar los algoritmos de recomendación más precisos. Sin embargo, existen otros factores importantes.

• Diversidad : Los usuarios tienden a estar más satisfechos con las recomendaciones cuando hay una mayor diversidad dentro de la lista, por ejemplo, elementos de diferentes artistas. ^{[ 96 ] [ 97 ]}

• Persistencia de las recomendaciones : en algunas situaciones, es más efectivo volver a mostrar las recomendaciones ^{[ 98 ]} o permitir que los usuarios vuelvan a calificar los elementos ^{[ 99 ]} que mostrar elementos nuevos. Hay varias razones para esto. Los usuarios pueden ignorar los elementos cuando se muestran por primera vez, por ejemplo, porque no tuvieron tiempo de examinar las recomendaciones detenidamente.
• Privacidad : Los sistemas de recomendación suelen tener que lidiar con problemas de privacidad ^{[ 100 ]} porque los usuarios deben revelar información sensible. La creación de perfiles de usuario mediante filtrado colaborativo puede ser problemática desde el punto de vista de la privacidad. Muchos países europeos tienen una sólida cultura de privacidad de datos , y cualquier intento de introducir algún nivel de elaboración de perfiles de usuario puede generar una respuesta negativa por parte de los clientes. Se han realizado numerosas investigaciones sobre los problemas de privacidad en este ámbito. El premio Netflix destaca especialmente por la información personal detallada que se publica en su conjunto de datos. Ramakrishnan et al. han realizado un análisis exhaustivo de las ventajas y desventajas entre la personalización y la privacidad, y han descubierto que la combinación de vínculos débiles (una conexión inesperada que proporciona recomendaciones fortuitas) y otras fuentes de datos puede utilizarse para descubrir la identidad de los usuarios en un conjunto de datos anonimizado. ^{[ 101 ]}

• Datos demográficos del usuario : Beel et al. descubrieron que los datos demográficos del usuario pueden influir en la satisfacción de los usuarios con las recomendaciones. ^{[ 102 ]} En su artículo muestran que los usuarios mayores tienden a estar más interesados ​​en las recomendaciones que los usuarios más jóvenes.
• Robustez : cuando los usuarios pueden participar en el sistema de recomendación, debe abordarse el problema del fraude. ^{[ 103 ]}
• Serendipia : La serendipia es una medida de "cuán sorprendentes son las recomendaciones". ^{[ 104 ] [ 97 ]} Por ejemplo, un sistema de recomendación que recomienda leche a un cliente en un supermercado podría ser perfectamente preciso, pero no es una buena recomendación porque es un artículo obvio que el cliente comprará. "[La serendipia] cumple dos propósitos: Primero, disminuye la probabilidad de que los usuarios pierdan interés porque el conjunto de opciones es demasiado uniforme. Segundo, estos elementos son necesarios para que los algoritmos aprendan y mejoren por sí mismos". ^{[ 105 ]}
• Confianza : Un sistema de recomendación tiene poco valor para un usuario si este no confía en él. ^{[ 106 ]} Un sistema de recomendación puede generar confianza explicando cómo genera las recomendaciones y por qué recomienda un elemento.
• Etiquetado : la satisfacción del usuario con las recomendaciones puede verse influenciada por el etiquetado de las mismas. ^{[ 107 ]} Por ejemplo, en el estudio citado, la tasa de clics (CTR) para las recomendaciones etiquetadas como "Patrocinadas" fue menor (CTR = 5,93 %) que la CTR para recomendaciones idénticas etiquetadas como "Orgánicas" (CTR = 8,86 %). Las recomendaciones sin etiqueta obtuvieron los mejores resultados (CTR = 9,87 %) en ese estudio.

Los sistemas de recomendación son notoriamente difíciles de evaluar offline, y algunos investigadores afirman que esto ha provocado una crisis de reproducibilidad en las publicaciones sobre sistemas de recomendación. El tema de la reproducibilidad parece ser un problema recurrente en algunas publicaciones de aprendizaje automático, pero no tiene un efecto considerable fuera del mundo de la publicación científica. En el contexto de los sistemas de recomendación, un artículo de 2019 analizó un pequeño número de publicaciones seleccionadas que aplicaban métodos de aprendizaje profundo o neuronales al problema de recomendación top-k, publicadas en conferencias de primer nivel (SIGIR, KDD, WWW, RecSys , IJCAI), y demostró que, en promedio, menos del 40 % de los artículos podían ser reproducidos por los autores del análisis, llegando a tan solo el 14 % en algunas conferencias. El artículo considera varios problemas potenciales en la investigación actual y sugiere mejoras en las prácticas científicas en este ámbito. ^{[ 108 ] [ 109 ] [ 110 ]} Un trabajo más reciente sobre la evaluación comparativa de un conjunto de los mismos métodos llegó a resultados cualitativamente muy diferentes ^{[ 111 ]} donde se encontró que los métodos neuronales estaban entre los métodos de mejor rendimiento. El aprendizaje profundo y los métodos neuronales para sistemas de recomendación se han utilizado en las soluciones ganadoras en varios desafíos recientes de sistemas de recomendación, WSDM, ^{[ 112 ]} RecSys Challenge . ^{[ 113 ]} Además, los métodos neuronales y de aprendizaje profundo se utilizan ampliamente en la industria donde se prueban extensamente. ^{[ 114 ] [ 64 ] [ 65 ]} El tema de la reproducibilidad no es nuevo en los sistemas de recomendación. Para 2011, Ekstrand , Konstan , et al. criticaron que "actualmente es difícil reproducir y extender los resultados de la investigación de sistemas de recomendación", y que las evaluaciones "no se manejan de manera consistente". ^{[ 115 ]} Konstan y Adomavicius concluyen que "la comunidad de investigación de sistemas de recomendación se enfrenta a una crisis en la que un número significativo de artículos presenta resultados que contribuyen poco al conocimiento colectivo [...] a menudo porque la investigación carece de la [...] evaluación para ser juzgada adecuadamente y, por lo tanto, para proporcionar contribuciones significativas". ^{[ 116 ]} En consecuencia, gran parte de la investigación sobre sistemas de recomendación puede considerarse no reproducible. ^{[ 117 ]} Por lo tanto, los operadores de sistemas de recomendación encuentran poca orientación en la investigación actual para responder a la pregunta de qué enfoques de recomendación utilizar en un sistema de recomendación. SaidBellogín realizó un estudio de artículos publicados en el campo, además de comparar algunos de los marcos de recomendación más populares, y encontró grandes inconsistencias en los resultados, incluso cuando se utilizaron los mismos algoritmos y conjuntos de datos. [ ^{118 ] Algunos} investigadores demostraron que pequeñas variaciones en los algoritmos o escenarios de recomendación provocaron cambios significativos en la efectividad de un sistema de recomendación. Concluyen que son necesarias siete acciones para mejorar la situación actual: ^{[ 117 ]} "(1) analizar otros campos de investigación y aprender de ellos, (2) encontrar un entendimiento común de la reproducibilidad, (3) identificar y comprender los determinantes que afectan la reproducibilidad, (4) realizar experimentos más exhaustivos, (5) modernizar las prácticas de publicación, (6) fomentar el desarrollo y el uso de marcos de recomendación, y (7) establecer directrices de mejores prácticas para la investigación de sistemas de recomendación."

El filtrado colaborativo (FC) es uno de los algoritmos de sistemas de recomendación más utilizados. Genera sugerencias personalizadas para los usuarios basándose en patrones de comportamiento explícitos o implícitos para realizar predicciones. ^{[ 122 ]} Específicamente, se basa en retroalimentación externa, como calificaciones con estrellas, historial de compras, etc., para emitir juicios. El FC predice las preferencias de los usuarios basándose en mediciones de similitud. En esencia, la teoría subyacente es: "si el usuario A es similar al usuario B, y si a A le gusta el artículo C, entonces es probable que a B también le guste el artículo C".

Existen muchos modelos disponibles para el filtrado colaborativo. Para el filtrado colaborativo aplicado a la IA, un modelo común se denomina k-vecinos más cercanos . Las ideas son las siguientes:

1. Representación de datos : Cree un espacio n-dimensional donde cada eje represente una característica del usuario (calificaciones, compras, etc.). Represente al usuario como un punto en ese espacio.
2. Distancia estadística : La "distancia" mide qué tan separados están los usuarios en este espacio. Consulte la sección de distancia estadística para obtener más detalles sobre el cálculo.
3. Identificación de vecinos : Basándonos en las distancias calculadas, encontramos los k vecinos más cercanos del usuario a los que queremos hacer recomendaciones.
4. Generación de recomendaciones predictivas : El sistema analizará las preferencias similares de los k vecinos. El sistema hará recomendaciones basadas en esa similitud.

Una red neuronal artificial (RNA) es una estructura de modelo de aprendizaje profundo que busca imitar un cerebro humano. Se compone de una serie de neuronas, cada una responsable de recibir y procesar información transmitida por otras neuronas interconectadas. ^{[ 123 ]} De forma similar a un cerebro humano, estas neuronas cambian su estado de activación en función de las señales entrantes (entrada de entrenamiento y salida retropropagada), lo que permite al sistema ajustar los pesos de activación durante la fase de aprendizaje de la red. Las RNA suelen diseñarse como un modelo de caja negra . A diferencia del aprendizaje automático convencional, donde los componentes teóricos subyacentes son formales y rígidos, los efectos colaborativos de las neuronas no son del todo claros, pero los experimentos modernos han demostrado el poder predictivo de las RNA.

Las redes neuronales artificiales (RNA) se utilizan ampliamente en sistemas de recomendación por su capacidad para utilizar diversos datos. Además de los datos de retroalimentación, las RNA pueden incorporar datos que no son de retroalimentación, los cuales son demasiado complejos para que los aprenda el filtrado colaborativo. Su estructura única permite a las RNA identificar señales adicionales a partir de estos datos para mejorar la experiencia del usuario. ^{[ 121 ]} A continuación, se presentan algunos ejemplos:

• Hora y estacionalidad : qué especifica la hora y la fecha o la temporada en la que un usuario interactúa con la plataforma.
• Patrones de navegación del usuario : secuencia de páginas visitadas, tiempo dedicado a diferentes partes de un sitio web, movimiento del ratón, etc.
• Tendencias sociales externas : información procedente de redes sociales externas

El procesamiento del lenguaje natural es una serie de algoritmos de IA que hacen que el lenguaje humano natural sea accesible y analizable por una máquina. ^{[ 126 ]} Es una técnica bastante moderna inspirada en la creciente cantidad de información textual. Para su aplicación en sistemas de recomendación, un caso común son las reseñas de clientes de Amazon . Amazon analiza los comentarios de cada cliente y reporta datos relevantes a otros clientes como referencia. En los últimos años se ha visto el desarrollo de varios modelos de análisis de texto, incluyendo el análisis semántico latente (LSA), la descomposición en valores singulares (SVD), la asignación latente de Dirichlet (LDA), etc. Su uso ha estado consistentemente orientado a brindar a los clientes recomendaciones más precisas y personalizadas.