Filtrado colaborativo con ponderación temporal

El filtrado colaborativo se considera uno de los algoritmos de recomendación más prometedores. Los enfoques basados en ítems para el filtrado colaborativo identifican la similitud entre dos ítems comparando las calificaciones de los usuarios sobre ellos. En estos enfoques, las calificaciones producidas en diferentes momentos se ponderan por igual. Es decir, no se tienen en cuenta los cambios en el interés de compra del usuario. Por ejemplo, un ítem que fue calificado recientemente por un usuario debería tener un mayor impacto en la predicción del comportamiento futuro del usuario que un ítem calificado hace mucho tiempo. En este artículo, presentamos un algoritmo novedoso para calcular las ponderaciones temporales para diferentes ítems de una manera que asigna un peso decreciente a los datos antiguos. Más específicamente, los hábitos de compra de los usuarios varían. Incluso el mismo usuario tiene actitudes bastante diferentes hacia distintos ítems. Nuestro algoritmo propuesto utiliza clustering para discriminar entre diferentes tipos de ítems. A cada grupo de ítems, rastreamos el cambio en el interés de compra de cada usuario e introducimos un factor de decaimiento personalizado según el comportamiento de compra del propio usuario. Estudios empíricos han demostrado que nuestro nuevo algoritmo mejora sustancialmente la precisión del filtrado colaborativo basado en ítems sin introducir una mayor complejidad computacional de orden superior.