Collaborative Filtering Course

Lección 1 • Taxonomía de los Enfoques de Filtrado

Examina estrategias de filtrado basadas en contenido, colaborativo e híbridas. Posiciona el filtrado colaborativo dentro del panorama general.

Lección 2 • Qué Hacen los Sistemas de Recomendación

Define los sistemas de recomendación y su función principal de emparejar usuarios con ítems. Establece el vocabulario utilizado a lo largo del curso.

Lección 3 • Requisitos y Recopilación de Datos

Identifica los tipos de datos necesarios para impulsar los modelos de filtrado colaborativo. Cubre estrategias de recopilación y consideraciones iniciales de calidad de datos.

Lección 1 • Operaciones Matriciales para Recomendaciones

Aplica la multiplicación, transposición e inversión de matrices a las matrices de calificación. Prepara a los estudiantes para las técnicas de descomposición por factorización matricial.

Lección 2 • Fundamentos de Probabilidad y Estadística

Repasa la probabilidad condicional, la esperanza y la varianza según se aplican a la predicción de calificaciones. Fundamenta los modelos probabilísticos introducidos en capítulos posteriores.

Lección 3 • Fundamentos de Álgebra Lineal

Cubre vectores, matrices y productos punto como representaciones de usuarios e ítems. Apoya directamente el cálculo de similitud y la factorización matricial posteriores.

Lección 1 • Filtrado Basado en Ítem por Vecinos Más Cercanos

Calcula la similitud ítem a ítem y recomienda ítems relacionados con aquellos que un usuario ya ha calificado. Contrapone su escalabilidad a los enfoques basados en usuarios.

Lección 2 • Evaluación de Modelos Basados en Memoria

Aplica el MAE, el RMSE y métricas de ranking para evaluar la calidad de la predicción. Introduce la división entrenamiento-prueba y la validación cruzada para la evaluación de recomendadores.

Lección 3 • Filtrado Basado en Usuario por Vecinos Más Cercanos

Encuentra usuarios similares y agrega sus calificaciones para predecir las preferencias de un usuario objetivo. Introduce la selección del vecindario y el promedio ponderado.

Lección 4 • Normalización y Corrección de Sesgo

Aborda el sesgo de calificación del usuario mediante el centrado en la media y la normalización de puntuación Z. Mejora la precisión de la predicción antes de calcular la similitud.

Lección 1 • Factorización Matricial Regularizada

Introduce la función objetivo con regularización L2 para prevenir el sobreajuste de los factores latentes. Deriva las reglas de actualización del gradiente utilizadas en la optimización.

Lección 2 • Incorporación de Términos de Sesgo

Extiende el modelo de factorización base con parámetros de sesgo global, de usuario y de ítem. Demuestra ganancias de precisión medibles en referencias estándar.

Lección 3 • Fundamentos de la Descomposición en Valores Singulares

Explica la SVD como una aproximación de bajo rango de la matriz de calificación. Conecta las dimensiones latentes con las características ocultas de usuarios e ítems.

Lección 4 • Entrenamiento por Descenso de Gradiente Estocástico

Entrena modelos de factorización matricial de manera eficiente usando SGD en las calificaciones observadas. Cubre los programas de tasa de aprendizaje y la monitorización de la convergencia.

Lección 1 • Factorización Matricial Regularizada Ponderada

Aplica una pérdida ponderada por confianza para tratar las interacciones no observadas como negativos suaves. Deriva la función objetivo WRMF y su solución ALS.

Lección 2 • Ranking Personalizado Bayesiano

Formula la recomendación como ranking por pares maximizando la verosimilitud de que los ítems observados se clasifiquen por encima de los no observados. Entrena con SGD en tripletas muestreadas.

Lección 3 • Retroalimentación Implícita vs. Explícita Revisada

Contrapone las propiedades estadísticas de las señales implícitas con las calificaciones explícitas. Establece por qué deben revisarse los supuestos estándar de la factorización.

Lección 1 • Modelos de Recomendación Conscientes de la Secuencia

Modela el comportamiento temporal del usuario con arquitecturas recurrentes y basadas en atención. Captura el contexto de sesión que los modelos estáticos pasan por alto.

Lección 2 • Arquitectura de Filtrado Colaborativo Neuronal

Reemplaza el producto punto con un perceptrón multicapa para modelar interacciones complejas. Introduce las ramas GMF y MLP del framework NCF.

Lección 3 • Comparación de Modelos Profundos y Superficiales

Compara el CF neuronal con la factorización matricial en precisión, costo de entrenamiento e interpretabilidad. Orienta la selección del modelo según el tamaño del conjunto de datos y las restricciones de latencia.

Lección 4 • Autoencoders para Recomendación

Utiliza redes codificador-decodificador para reconstruir vectores de calificación e imputar valores faltantes. Cubre los autoencoders de eliminación de ruido como estrategia de regularización.

Lección 1 • Entrenamiento Distribuido de Modelos

Escala el entrenamiento de factorización y CF neuronal a través de múltiples máquinas usando paralelismo de datos y de modelo. Aborda la sincronización de gradientes y la tolerancia a fallos.

Lección 2 • Almacenes de Características y Servicio de Embeddings

Gestiona los embeddings de usuario e ítem en un almacén de características para un entrenamiento y servicio consistentes. Cubre versionado, latencia de recuperación y calendarios de actualización de embeddings.

Lección 3 • Monitorización y Mantenimiento de Sistemas en Vivo

Rastrea la calidad de las recomendaciones en producción utilizando métricas en línea y detección de deriva de datos. Establece activadores de reentrenamiento y procedimientos de reversión.

Lección 4 • Búsqueda Aproximada del Vecino Más Cercano

Reemplaza la búsqueda exacta de similitud con índices ANN para recuperar candidatos en milisegundos. Cubre los métodos HNSW, LSH y cuantización de producto.

Lección 1 • Redes Neuronales de Grafos para CF

Modela las interacciones usuario-ítem como un grafo bipartito y propaga embeddings a través de convoluciones de grafo. Cubre LightGCN y sus simplificaciones.

Lección 2 • Filtrado Colaborativo Federado

Entrena modelos de recomendación en dispositivos de usuario descentralizados sin compartir datos de interacción sin procesar. Aborda la eficiencia de la comunicación y las garantías de privacidad.

Lección 3 • Recomendaciones Conversacionales e Interactivas

Incorpora la retroalimentación del usuario a través de un diálogo de múltiples turnos para refinar las recomendaciones dinámicamente. Conecta el aprendizaje por refuerzo y los frameworks de bandidos con el CF.

Lección 4 • Direcciones de Investigación Emergentes

Revisa la integración de modelos de lenguaje grandes, la inferencia causal y el preentrenamiento autosupervisado en la investigación de recomendación. Guía a los estudiantes en la identificación de problemas abiertos abordables.