Item-Based Collaborative Filtering Recommendation Algorithms

Uno de los resultaos que da este paper que más me llamó la atención fue el hecho de que al usar la Similaridad Coseno ajustada, se obtuvieran resultados considerablemente mejor a que con las otras métricas de similaridad (Similaridad Coseno y Coeficiente de Correlación de Pearson). Disminuyendo el MAE en un 12.5% aproximadamente.

Creo que esto da argumentos fuertes para usar esta métrica de similaridad por sobre las otras. Y además, creo que ratifica un poco la noción que se tenía en el paper de GroupLens, de que es importante normalizar los ratings por el promedio de los ratings que entrega un usuario dado que distintos usuarios pueden usar distintas escalas para hacer sus evaluaciones.

A parte de esto, creo que los resultados entregados por el método propuesto son alucinantes, reduciendo la complejidad del procesamiento a la vez que incrementar la calidad de las predicciones por sobre los métodos anteriormente propuestos. Algo que la intuición me indicaría que debiese haber un trade-off entre esas dos métricas, acá se logra algo estrictamente mejor.

Show your support

Clapping shows how much you appreciated Felipe Del Río’s story.