Internet está plagado de sistemas de recomendación, sugiriendo películas que debería ver o personas con las que debería salir. Estos sistemas están ajustados para unir a las personas con los artículos, en base al supuesto de que personas similares compran cosas similares y tienen preferencias similares. En otras palabras,un algoritmo predice qué elementos le gustarán en función de sus calificaciones anteriores y las de los elementos.
Pero muchos enfoques existentes para hacer recomendaciones son simplistas, dice el físico y científico informático Cristopher Moore, profesor del Instituto Santa Fe. Matemáticamente, estos métodos a menudo suponen que las personas pertenecen a grupos individuales, y que cada grupo de personas prefiere un solo grupo dePor ejemplo, un algoritmo podría sugerir una película de ciencia ficción a alguien que anteriormente había disfrutado de otra película de ciencia ficción diferente, incluso si las películas no tienen nada más en común.
"No es como si cada película perteneciera a un solo género, o cada espectador solo estuviera interesado en un solo género", dice Moore. "En el mundo real, cada persona tiene una mezcla única de intereses, y cada elemento atraeuna mezcla única de personas "
En un nuevo documento en el Actas de la Academia Nacional de Ciencias Moore y sus colaboradores introducen un nuevo sistema de recomendación que difiere de los modelos existentes en dos formas principales. Primero, permite que las personas y los elementos pertenezcan a mezclas de múltiples grupos superpuestos. Segundo, no supone que las calificaciones sean simplesfunción de similitud; en cambio, predice distribuciones de probabilidad de clasificaciones basadas en los grupos a los que pertenece la persona o elemento.
Esta flexibilidad hace que el nuevo modelo sea más realista que los modelos existentes que postulan una relación lineal entre usuarios y elementos, dice Moore. No todos disfrutan de calificar cosas, y no todos usan las calificaciones de la misma manera, si una persona califica una película 5en lugar de 1, eso no significa que le guste cinco veces más. El nuevo modelo puede aprender relaciones no lineales entre usuarios y calificaciones a lo largo del tiempo.
Moore y sus colaboradores probaron su modelo en cinco grandes conjuntos de datos, incluidos los sistemas de recomendaciones para canciones, películas y parejas románticas. En cada caso, las calificaciones pronosticadas del nuevo modelo demostraron ser más precisas que las de los sistemas existentes, y su algoritmo es más rápidoque los métodos de la competencia también.
Moore está motivado por la oportunidad de explorar ricos conjuntos de datos y redes, donde los nodos y enlaces tienen ubicaciones, contenido y costos. "Nuestro algoritmo es poderoso porque es matemáticamente claro", dice. "Eso lo convierte en una parte valiosade la cartera de métodos que los ingenieros pueden usar "
"Ahora, si podemos hacer que la gente lea las noticias que deberían, en lugar de lo que les gusta", dice Moore. "Pero ese es un problema mucho más difícil".
Fuente de la historia :
Materiales proporcionado por Instituto Santa Fe . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :