Open pacalein opened 4 years ago
Hola,
No me quedó muy claro el como encuentran similitud entre dos items, ya que hablan mucho de ratings, pero a mi parecer debiese ser algo más propio de las características del item en lugar de la calificación que se le puso, o entendí mal el concepto?
Hola, Para el que haya entendido bien este paper, me quedó la siguiente duda: En la sección 4.3.3 hablan de que variaron el neighborhood size para item-item, y decidieron quedarse con un óptimo de 30, pero no entiendo bien qué significa este concepto. En un principio pensaba que se referían al tamaño del set de items que se consideran similares a un item i cualquiera, sin embargo, más adelante, en la sección 4.4 se refieren a este parámetro como el model size y también lo varían, y generan los gráficos correspondientes.
Si es que hay alguien que pueda aclararme mejor este concepto, lo agradecería :whale:
@Jiruiz2 hola, yo tampoco encuentro muy bueno el metodo de similutudes pero lo que creo entender es que si dos items tienen ratings de usuarios iguales, entonces para ambitos de recomendacion son similares. No importa que sean dos productos completamente distinto, lo impotante es que ambos productos reciben ratings similares.
@emeiese entiendo que el model size son la cantidad de items similares que deseo almacenar en memoria y el neighbour size el numero de similitudes que ocupo para realizar una recomendacion. Es por esyo que el neighbour size debe ser igual o menor al model size ya que o si no no tendria los suficientes datos para hacer la recolendacion.
@Jiruiz2 Lo que pasa es que el paper habla de collaborative-filtering que depende de los ratings. A lo que te refieres sobre la naturaleza de los items tiene que ver con Content-based recommendation systems.
@emeiese model size k son los top k items más similares a cada item, que ocupa un espacio O(n k) que es mucho menor que O(nn) que sería si ocupas todos los items para precomputar similitudes.
Hi everyone!
En este issue abrimos pie a un modo de foro, en donde podrán discutir los papers de cada semana.
Vamos a ir viendo cómo va este experimento, dependiendo de su participación y la calidad de las discusiones.
Reglas:
Referencia
Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. In Proceedings of the 10th international conference on World Wide Web (pp. 285-295).