ML – Sistema de recomendación basado en contenido

Un recomendador basado en contenido funciona con los datos que tomamos del usuario, ya sea explícitamente (calificación) o implícitamente (hacer clic en un enlace). A partir de los datos, creamos un perfil de usuario, que luego se utiliza para sugerir al usuario, a medida que el usuario proporciona más información o realiza más acciones sobre la recomendación, el motor se vuelve más preciso.

Perfil de Usuario:
En el Perfil de Usuario, creamos vectores que describen la preferencia del usuario. En la creación de un perfil de usuario, utilizamos la array de utilidad que describe la relación entre el usuario y el elemento. Con esta información, la mejor estimación que podemos hacer con respecto a qué artículo le gusta al usuario es una agregación de los perfiles de esos artículos.
Perfil de artículo:
en el recomendador basado en contenido, debemos crear un perfil para cada artículo, que representará las características importantes de ese artículo.
Por ejemplo, si hacemos una película como elemento, sus actores, director, año de estreno y género son las características más significativas de la película. También podemos agregar su calificación de IMDB (Base de datos de películas de Internet) en el Perfil del artículo.
Array de utilidad:
Utility Matrix significa la preferencia del usuario con ciertos artículos. En los datos recopilados del usuario, tenemos que encontrar alguna relación entre los artículos que le gustan al usuario y los que no le gustan, para este propósito usamos la array de utilidad. En él asignamos un valor particular a cada par usuario-elemento, este valor se conoce como grado de preferencia. Luego dibujamos una array de un usuario con los respectivos artículos para identificar su relación de preferencia.

Some of the columns are blank in the matrix that is because we don’t get the whole input from the user every time, and the goal of a recommendation system is not to fill all the columns but to recommend a movie to the user which he/she will prefer. Through this table, our recommender system won’t suggest Movie 3 to User 2, because in Movie 1 they have given approximately the same ratings, and in Movie 3 User 1 has given the low rating, so it is highly possible that User 2 also won’t like it.

Recomendar elementos al usuario según el contenido:

• Método 1:
  podemos usar la distancia del coseno entre los vectores del elemento y el usuario para determinar su preferencia por el usuario. Para explicar esto, consideremos un ejemplo:
  Observamos que el vector para un usuario tendrá un número positivo para los actores que tienden a aparecer en las películas que le gustan al usuario y números negativos para los actores que no le gustan al usuario. Considere una película con actores qué usuario le gusta y solo unos pocos actores qué usuario no le gusta, entonces el ángulo del coseno entre los vectores del usuario y de la película será una gran fracción positiva. Por lo tanto, el ángulo será cercano a 0, por lo tanto, una pequeña distancia de coseno entre los vectores.
  Representa que al usuario tiende a gustarle la película, si la distancia del coseno es grande, entonces tendemos a evitar el elemento de la recomendación.
• Método 2:
  También podemos usar un enfoque de clasificación en los sistemas de recomendación, como podemos usar el Árbol de decisiones para averiguar si un usuario quiere ver una película o no, como en cada nivel podemos aplicar una determinada condición para refinar nuestra recomendación. . Por ejemplo: