Análisis: Slope One predictors for online rating-based collaborative filtering

21 Aug 2016

En el paper Slope One predictors for online rating-based collaborative filtering, se propone que un sistema recomendador con predictores de la forma $f(x) = x + b$ puede ser competitivo. Se compara principalmente con esquemas basados en correlación de Pearson y otros más sencillos.

En mi opinión, éste es un trabajo sencillo y conciso. Se colocan cinco propiedades deseables en un esquema de recomendación, y muestran que la propuesta de slope one cumple con ellas.

Our goal in this paper is not to compare the accuracy of a wide range of CF algorithms but rather to demonstrate that the Slope One schemes simultaneously fulfill all five goals

Se podría tomar esta afirmación como demasiado conveniente, desde el punto de vista que acota bastante el trabajo. Sin embargo, lo presentado se puede entender en el contexto en que ya se veía difícil hacer una valuación on the fly con muchos usuarios e ítems.

Respecto a los esquemas que proponen tipo slope one, es adecuada la progresión entre ellos. Las mejoras sucesivas entre cada uno de ellos tienen sentido. Destaco la obervación al desarrollar el Bi-polar slope one, que indica que la distribución de los ratings no es uniforme.

Sin embargo, no se explica adecuadamente qué ocurre cuando el usuario activo tiene muy pocos ratings, a pesar de que uno de los aspectos que ellos buscaban con slope one es “Expect little from first visitors: a user with few ratings should receive valid recommendations”.

Por último, no se muestran más métricas que el MAE que muestren, por ejemplo, el coverage de cada esquema de recomendación testeado. Tampoco se aclara si los datasets se tomaron como venían, o si se tomó una muestra.

Referencias

• Lemire, D., & Maclachlan, A. (2005, April). Slope One Predictors for Online Rating-Based Collaborative Filtering. In SDM (Vol. 5, pp. 1-5).