Collaborative filtering based on subsequence matching: A new approach

Abstract

Las técnicas basadas en vecindarios, aunque son muy populares en los sistemas de recomendación, muestran diferentes resultados de rendimiento según los parámetros específicos que se utilicen; Además del tamaño del vecindario, un componente crítico de estos recomendadores es la métrica de similitud. Por lo tanto, al considerar más información asociada a los usuarios, como tener en cuenta el orden de los artículos a medida que se consumieron o el patrón de interacción completo entre los usuarios y los artículos, debería ser posible definir métricas de similitud más completas y de mejor rendimiento. para el filtrado colaborativo. En este artículo, proponemos una técnica para comparar usuarios, también extensible a elementos, trabajando con ellos como secuencias en lugar de vectores, lo que permite una nueva perspectiva para analizar el comportamiento del usuario al encontrar otros usuarios que tienen patrones secuenciales similares en lugar de enfocarse solo en calificaciones similares en los ítems. También comparamos nuestro enfoque con otras técnicas conocidas, mostrando un rendimiento comparable o mejor en términos de predicción de calificación, evaluación de clasificación y métricas de novedad y diversidad. De acuerdo con los resultados obtenidos, creemos que todavía hay mucho margen de mejora, debido a su generalidad y al buen rendimiento obtenido por esta técnica.

Neighbourhood-based techniques, although very popular in recommendation systems, show different performance results depending on the specific parameters being used; besides the neighbourhood size, a critical component of these recommenders is the similarity metric. Therefore, by considering more information associated to the users – such as taking into account the ordering of the items as they were consumed or the whole interaction pattern between users and items – it should be possible to define more complete, and better performing, similarity metrics for collaborative filtering. In this paper, we propose a technique to compare users – also extendable to items –, working with them as sequences instead of vectors, hence enabling a new perspective to analyse the user behaviour by finding other users who have similar sequential patterns instead of focusing only on similar ratings in the items. We also compare our approach with other well-known techniques, showing comparable or better performance in terms of rating prediction, ranking evaluation, and novelty and diversity metrics. According to the results obtained, we believe there is still a lot of room for improvement, due to its generality and the good performance obtained by this technique.