¿Qué es el filtrado colaborativo?

El filtrado colaborativo es un método de recuperación de información que recomienda artículos a los usuarios en función de cómo otros usuarios con preferencias y comportamientos similares han interactuado con ese artículo. En otras palabras, los algoritmos de filtrado colaborativo agrupan a los usuarios en función del comportamiento y utilizan las características generales del grupo para recomendar artículos a un usuario objetivo. Los sistemas de recomendación colaborativos funcionan según el principio de que usuarios similares (en términos de comportamiento) comparten intereses y gustos similares¹.

El filtrado colaborativo es uno de los dos tipos principales de sistemas de recomendación, el otro son las recomendaciones basadas en el contenido. Este último método utiliza las características de los artículos para recomendar artículos similares a aquellos con los que un determinado usuario ha interactuado positivamente en el pasado². Mientras que el filtrado colaborativo se centra en la similitud de los usuarios para recomendar artículos, el filtrado basado en el contenido recomienda artículos exclusivamente en función de las características del perfil del artículos. El filtrado basado en el contenido dirige las recomendaciones a las preferencias de un usuario concreto en lugar de a un grupo o tipo como en el filtrado colaborativo.

Ambos métodos han sido testigos de numerosas aplicaciones en el mundo real en los últimos años, desde el comercio electrónico como Amazon a las redes sociales o los servicios de streaming. Juntos, los sistemas colaborativos y basados en contenidos forman sistemas de recomendación híbridos. De hecho, en 2009, Netflix adoptó un sistema de recomendación híbrido a través de su concurso de premios Netflix.

El filtrado colaborativo utiliza una matriz para mapear el comportamiento de los usuarios para cada artículo de su sistema. A continuación, el sistema extrae valores de esta matriz para representarlos como puntos de datos en un espacio vectorial. A continuación, varias métricas miden la distancia entre puntos como medio para calcular la similitud usuario-usuario y artículo-artículo.

En una configuración estándar de filtrado colaborativo, tenemos un conjunto de n usuarios y un conjunto de x artículos. La preferencia individual de cada usuario por cada artículo se muestra en una matriz de usuario-artículo (a veces denominada matriz de cualificación de usuarios). Aquí, los usuarios se representan en filas y los artículos en columnas. En la matriz R_ij , un valor dado representa el comportamiento del usuario u hacia el artículo i. Estos valores pueden ser números continuos proporcionados por los usuarios (por ejemplo, calificaciones) o valores binarios que indican si un usuario determinado vio o compró el artículo. A continuación, se muestra un ejemplo de matriz de tiempo de usuario para el sitio web de una librería:

Esta matriz muestra las calificaciones de los usuarios de los distintos libros disponibles. Un algoritmo de filtrado colaborativo compara las calificaciones proporcionadas por los usuarios para cada libro. Al identificar usuarios o artículos similares en función de esas calificaciones, predice las calificaciones de los libros que el usuario objetivo no ha visto (representadas por un valor nulo en la matriz) y recomienda (o no recomienda) esos libros al usuario objetivo apropiado.

La matriz de ejemplo utilizada aquí es completa dado que está restringida a cuatro usuarios y cuatro artículos. Sin embargo, en situaciones reales, las preferencias conocidas de los usuarios por los artículos suelen ser limitadas, lo que deja la matriz usuario-artículo muy dispersa³.

¿Cómo determina un algoritmo de recomendación colaborativo la similitud entre varios usuarios? Como se ha mencionado, la proximidad en el espacio vectorial es un método principal. Pero las métricas específicas utilizadas para determinar esa proximidad pueden variar. Dos de esas métricas son la similitud de cosenos y el coeficiente de correlación de Pearson.

La similitud de coseno significa la medición del ángulo entre dos vectores. Los vectores comparados comprenden un subconjunto de valoraciones para un usuario o artículo determinado. La puntuación de similitud del coseno puede ser cualquier valor entre -1 y 1. Cuanto mayor sea la puntuación del coseno, más similares se considerarán dos elementos. Algunas fuentes recomiendan esta métrica para espacios de características de alta dimensión. En el filtrado colaborativo, los puntos vectoriales se extraen directamente de la matriz de artículos de usuario. La similitud del coseno se representa mediante esta fórmula, donde x e y significan dos vectores de elementos en el espacio vectorial:⁴

PCC ayuda a medir la similitud entre artículos o usuarios mediante el cálculo de la correlación entre las calificaciones respectivas de dos usuarios o artículos. PCC oscila entre -1 y 1, lo que significa una correlación negativa e idéntica. A diferencia de la similitud de coseno, PCC utiliza todas las clasificaciones de un usuario o artículos determinado. Por ejemplo, si calculamos el PCC entre dos usuarios, utilizamos esta fórmula, en la que a y b son usuarios diferentes, y r_IA y r_bi son la calificación de ese usuario para el elemento i:⁵

Los sistemas de recomendación basados en memoria, o sistemas basados en usuarios similares, son extensiones de los clasificadores de los vecinos similares k más cercanos porque intentan predecir el comportamiento de un usuario objetivo con respecto a un artículo determinado basándose en usuarios o conjuntos de artículos similares. Los sistemas basados en memoria se pueden dividir en dos subtipos:

• El filtrado basado en el usuario recomienda artículos a un usuario objetivo en función de las preferencias del comportamiento de los usuarios. El algoritmo de recomendación compara el comportamiento anterior de un usuario objetivo con el de otros usuarios. Específicamente, el sistema asigna a cada usuario un peso que representa su similitud percibida con el usuario objetivo: se trata de los usuarios similares al usuario objetivo. A continuación, selecciona n usuarios con las ponderaciones más altas y calcula una predicción del comportamiento del usuario objetivo (por ejemplo, valoración de películas, compras, aversiones, etc.) a partir de una media ponderada del comportamiento de los vecinos seleccionados. A continuación, el sistema recomienda artículos al usuario objetivo en función de esta predicción. El principio es que, si el usuario objetivo se comportó de manera similar a este grupo en el pasado, se comportará de manera similar con los artículos no vistos. Las funciones de similitud basadas en el usuario se calculan entre las filas de la matriz de artículos de usuario⁶.
• El filtrado basado en artículos recomienda nuevos artículos a un usuario objetivo en función del comportamiento de ese usuario respecto a artículos similares. Sin embargo, tenga en cuenta que al comparar artículos, el sistema colaborativo no compara las características de los artículos (como en el filtrado basado en el contenido), sino cómo interactúan los usuarios con esos artículos. Por ejemplo, en un sistema de recomendación de películas, el algoritmo puede identificar películas similares basándose en las correlaciones entre todas las calificaciones de los usuarios para cada película (corrigiendo la calificación media de cada usuario). Luego, el sistema recomendará una nueva película a un usuario objetivo en función de las calificaciones correlacionadas. Es decir, si el usuario objetivo calificó la película a y b muy bien pero no ha visto la película c, y otros usuarios que calificaron muy bien a las dos primeras también calificaron muy bien a la película c, el sistema recomendará la película c al usuario objetivo. De esta manera, el filtrado basado en artículos calcula la similitud de los artículos mediante el comportamiento del usuario. Las funciones de similitud basadas en artículos se calculan entre las columnas de la matriz de artículos de usuarios⁷.

A veces, la literatura describe los métodos basados en la memoria como métodos de aprendizaje basados en instancias. Esto apunta a cómo el filtrado basado en usuarios y artículos hace predicciones específicas para una instancia determinada de interacción usuario-artículo, como la calificación de un usuario objetivo para una película no vista.

Por el contrario, los métodos basados en modelos crean un modelo predictivo de machine learning de los datos. El modelo utiliza los valores actuales de la matriz de elementos de usuario como conjunto de datos de entrenamiento y genera predicciones para los valores que faltan con el modelo resultante. Por lo tanto, los métodos basados en modelos utilizan técnicas de ciencia de datos y algoritmos de machine learning como árboles de decisión, clasificadores Bayes y redes neuronales para recomendar artículos a los usuarios⁸.

La factorización matricial es un método de filtrado colaborativo ampliamente discutido y a menudo clasificado como un tipo de modelo de factor latente. Como modelo de factor latente, la factorización matricial supone que la similitud entre usuarios o entre artículos puede determinarse a través de un número determinado de características. Por ejemplo, la calificación de un libro por parte de un usuario se puede predecir utilizando únicamente el género del libro y la edad o el género del usuario. Esta representación de menor dimensión pretende explicar, por ejemplo, las calificaciones de libros caracterizando los artículos y los usuarios de acuerdo a una serie de características seleccionadas extraídas de los datos de feedback de los usuarios⁹. Dado que reduce las características de un espacio vectorial dado, la factorización matricial también sirve como método de reducción de la dimensionalidad¹⁰.

En comparación con los sistemas basados en el contenido, el filtrado colaborativo es más eficaz a la hora de proporcionar a los usuarios recomendaciones novedosas. Los métodos basados en la colaboración extraen recomendaciones de un conjunto de usuarios que comparten intereses con un usuario objetivo. Por ejemplo, si a un grupo de usuarios le gustó el mismo conjunto de artículos que al usuario objetivo, pero también le gustó un artículo adicional desconocido para el usuario objetivo porque no comparte características con el conjunto anterior de artículos, un sistema de filtrado colaborativo recomienda este artículos novedoso al usuario. El filtrado colaborativo puede recomendar artículos que un usuario objetivo puede no haber considerado pero que, sin embargo, atraen a ese tipo de usuario¹¹.

El problema del arranque en frío es quizá la desventaja más citada de los sistemas de filtrado colaborativo. Se produce cuando un nuevo usuario (o incluso un nuevo artículo) entra en el sistema. La falta de historial de interacción con artículos de ese usuario impide que el sistema pueda evaluar la similitud o asociación del nuevo usuario con los usuarios existentes. Por el contrario, los sistemas basados en contenido son más hábiles a la hora de gestionar nuevos artículos, aunque también tienen dificultades con las recomendaciones para los nuevos usuarios¹².

La escasez de datos es otro de los principales problemas que pueden influir negativamente en los sistemas de recomendación colaborativa. Como se ha mencionado, los sistemas de recomendación suelen carecer de datos sobre las preferencias del usuario para la mayoría de los artículos del sistema. Esto significa que la mayor parte del espacio de características del sistema está vacío, una condición denominada "escasez de datos". A medida que aumenta la escasez de datos, los puntos vectoriales se vuelven tan disímiles que los modelos predictivos se vuelven menos eficaces a la hora de identificar patrones explicativos¹³. Esta es una de las principales razones por las que la factorización matricial, y los métodos relacionados con los factores latentes, como la descomposición del valor singular, es popular en el filtrado colaborativo, puesto que alivia la escasez de datos reduciendo las características. Otros métodos implementados para resolver este problema también pueden implicar que los propios usuarios evalúen y proporcionen información sobre sus propios intereses, que el sistema puede utilizar para filtrar las recomendaciones.

Aunque estudios anteriores han abordado la recomendación como un problema de predicción o clasificación, un importante cuerpo de investigación reciente sostiene que debe entenderse como un problema secuencial de toma de decisiones. En este paradigma, el aprendizaje por refuerzo podría ser más adecuado para abordar la recomendación. Este planteamiento defiende que la recomendación se actualice en tiempo real en función de la interacción usuario-elemento; a medida que el usuario omite, pulsa, valora o compra los artículos sugeridos, el modelo desarrolla una política óptima a partir de este feedback para recomendar nuevos elementos¹⁴. Estudios recientes proponen una amplia variedad de aplicaciones de aprendizaje por refuerzo para abordar los intereses mutables y a largo plazo de los usuarios, lo que plantea retos tanto para el filtrado basado en contenidos como para el colaborativo¹⁵.