Los sistemas de recomendación son programas que intentan predecir qué objetos ( películas , música , libros , noticias , sitios web ) serán de interés para el usuario, dada cierta información sobre su perfil .
Las dos estrategias principales para construir sistemas de recomendación son el filtrado basado en contenido y el filtrado colaborativo [ 1] [2]. El filtrado basado en contenido crea perfiles de usuarios y objetos, los perfiles de usuarios pueden incluir información demográfica o respuestas a un conjunto específico de preguntas, los perfiles de objetos pueden incluir nombres de género, nombres de actores, nombres de artistas y otra información de atributos según el tipo de objeto. Por ejemplo, en Music Genome Project, un analista de música clasifica cada canción frente a cientos de características musicales diferentes, que pueden usarse para determinar las preferencias musicales del usuario. El filtrado colaborativo utiliza información sobre el comportamiento anterior del usuario, como compras o calificaciones. En este caso, no importa con qué tipos de objetos estés trabajando, pero se pueden tener en cuenta características implícitas, que serían difíciles de tener en cuenta al crear un perfil. El principal problema de este tipo de sistemas de recomendación es el “arranque en frío”: la falta de datos sobre usuarios u objetos que han aparecido recientemente en el sistema.
A medida que funcionan, los sistemas de recomendación recopilan datos sobre los usuarios mediante una combinación de métodos explícitos e implícitos. Ejemplos de recopilación de datos explícitos:
Ejemplos de recopilación de datos implícita:
Los sistemas de recomendación comparan el mismo tipo de datos de diferentes personas y calculan una lista de recomendaciones para un usuario en particular. En el artículo de filtrado colaborativo se dan algunos ejemplos de su uso comercial y no comercial . Para calcular las recomendaciones se utiliza un gráfico de intereses [3] . Los sistemas de recomendación son una alternativa conveniente a los algoritmos de búsqueda, ya que le permiten descubrir objetos que no se pueden encontrar en último lugar. Curiosamente, los sistemas de recomendación suelen utilizar motores de búsqueda para indexar datos inusuales.