Técnicas híbridas en sistemas de recomendación para optimizar el modelo non negative matrix factorization

Abstract

En este trabajo se presenta la incorporación de técnicas híbridas al modelo Non Negative Matrix Factorization para filtrado colaborativo basado en un modelo probabilístico Bayesiano (NNMF) para mejorar la calidad de las predicciones en sistemas de recomendación basados en filtrado
colaborativo. Se preservan las propiedades del modelo de Hernando et al. generando significados
probabilísticos entendibles y recomendaciones fáciles de justificar. Con una técnica de pre-clustering
basada en similaridades se mejora la calidad de las predicciones de [1] en términos de accuracy.
Adicionalmente se presentan dos técnicas: baseline predictors [2] y significancias. Estas técnicas
toman en cuenta aspectos de la interacción usuario-ítem por separado como las tendencias de usuarios,
tendencias de ítems y preferencias de usuario. La incorporación de estas técnicas parten de la idea
de Bobadilla et al. [3] que indican que puede haber algunos ítems y algunos usuarios en un sistema de recomendación que podrían ser altamente significantes para hacer las recomendaciones. Se aplica lógica difusa para resolver el grado de incertidumbre que presentan las significancias. En este trabajo se demuestra que estas t´ecnicas sí influyen en el aprendizaje del modelo NNMF.

This work implements hybrid techniques on non negative matrix factorization for collaborative filtering recommender system based on Bayesian probabilistic model (NNMF) [1] to improve prediction accuracy.We preserve properties of Hernando et al. model like an understandable probabilistic
meaning such recommender system are able to explain the recommendations they provide. A preclustering technique based on similarity metrics improves recommendation predictions in accuracy terms. Additionally, we probe techniques: baseline predictors [2] and significances. Both consider user-item interaction separately like user tendencies, item tendencies and user preferences. We implement these techniques from Bobadilla et al. [3] because it seems reasonable to think that there may be some items and some users in a recommender system that could be highly significant in making recommendations.We apply fuzzy-logic to solve uncertainty grade of significance. In this work we
show that hybrid techniques influence in learning phase of NNMF model.