Filtrado basado en contenido

El filtrado basado en contenido recomienda elementos similares a los que ya le han gustado al usuario, basándose en las propias características de los elementos (texto, género, etiquetas). A diferencia del filtrado colaborativo, no necesita datos de otros usuarios, por lo que evita el problema del arranque en frío de los elementos.

La idea clave es convertir cada elemento en un vector numérico que describa su contenido y, después, medir la similitud entre los vectores. Para las descripciones de texto, TF-IDF es el método clásico para crear esos vectores.

TF-IDF (frecuencia de término-frecuencia inversa de documento) asigna pesos a las palabras según la frecuencia con la que aparecen en un elemento, pero reduce el peso de las palabras comunes a todos los elementos. Las palabras poco frecuentes y distintivas reciben pesos altos, lo que permite capturar qué hace único a un elemento.

scikit-learn convierte una lista de descripciones de elementos en una matriz TF-IDF en dos líneas.

tfidf_matrix tiene la forma (n_items, n_terms): una fila por elemento y una columna por cada palabra única del vocabulario. Es dispersa, ya que la mayoría de los elementos utilizan solo una fracción de todas las palabras.

Parámetros útiles: stop_words elimina las palabras comunes, max_features limita el tamaño del vocabulario y ngram_range=(1,2) incluye expresiones de dos palabras para obtener características más completas.

Calcule la similitud por pares entre todos los elementos. El resultado es una matriz n_items x n_items en la que cada celda indica la similitud entre las descripciones de dos elementos.

Dado que los vectores TF-IDF están normalizados con la norma L2 de forma predeterminada, linear_kernel produce el mismo resultado que la similitud coseno, pero más rápido; es una optimización habitual para catálogos grandes.

Para buscar un elemento por nombre, cree un índice inverso que asigne cada título a la posición de su fila.

Dado un título, obtenga su fila de similitudes, ordénela de forma descendente, omita el propio elemento y devuelva las coincidencias principales.

Ventajas: funciona con elementos completamente nuevos y las recomendaciones se pueden explicar («porque comparte estas palabras»).

Limitaciones: se mantiene dentro de los gustos conocidos de un usuario (especialización excesiva) y no puede descubrir hallazgos sorprendentes entre géneros distintos como sí puede hacerlo el filtrado colaborativo.

Compruebe sus conocimientos sobre el filtrado basado en contenido.

Construyó un filtrado basado en contenido: TfidfVectorizer convierte las descripciones en una matriz (n_items, n_terms), cosine_similarity compara los elementos y get_recommendations devuelve los elementos más similares (omitiendo el propio elemento). Gestiona el arranque en frío, pero puede provocar una especialización excesiva. Siguiente tema: sistemas híbridos y métricas de evaluación.