Collaborative Filtering Course

Lección 1 • Taxonomía de los Enfoques de Filtrado

Examina las estrategias de filtrado basado en contenido, colaborativo e híbrido. 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 Recolección de Datos

Identifica los tipos de datos necesarios para impulsar modelos de filtrado colaborativo. Cubre estrategias de recolección 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 calificaciones. Prepara a los estudiantes para las técnicas de descomposición por factorización de matrices.

Lección 2 • Fundamentos de Probabilidad y Estadística

Repasa la probabilidad condicional, la esperanza y la varianza aplicadas a la predicción de calificaciones. Fundamenta los modelos probabilísticos presentados 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 de matrices más adelante.

Lección 1 • Filtrado de Vecinos Más Cercanos Basado en Ítems

Calcula la similitud ítem a ítem y recomienda ítems relacionados con aquellos que un usuario ya calificó. Contrasta la escalabilidad con los enfoques basados en usuario.

Lección 2 • Evaluación de Modelos Basados en Memoria

Aplica MAE, 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 de Vecinos Más Cercanos Basado en Usuario

Encuentra usuarios similares y agrega sus calificaciones para predecir las preferencias de un usuario objetivo. Introduce la selección de 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 de Matrices con Regularización

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 base de factorización con parámetros de sesgo global, de usuario y de ítem. Demuestra ganancias medibles de precisión en benchmarks estándar.

Lección 3 • Fundamentos de Descomposición en Valores Singulares

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

Lección 4 • Entrenamiento con Descenso de Gradiente Estocástico

Entrena modelos de factorización matricial de manera eficiente usando SGD en las calificaciones observadas. Cubre esquemas de tasa de aprendizaje y monitoreo de convergencia.

Lección 1 • Factorización Matricial Ponderada y Regularizada

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

Lección 2 • Ranking Personalizado Bayesiano

Plantea la recomendación como un ranking por pares maximizando la probabilidad de que los ítems observados se clasifiquen por encima de los no observados. Entrena con SGD en tripletes muestreados.

Lección 3 • Retroalimentación Implícita vs. Explícita Revisitada

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

Lección 1 • Modelos de Recomendación Conscientes de 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. Guía 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 modelos de factorización y CF neuronal a través de múltiples máquinas usando paralelismo de datos y modelo. Aborda la sincronización de gradientes y la tolerancia a fallos.

Lección 2 • Almacenes de Atributos y Servicio de Embeddings

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

Lección 3 • Monitoreo y Mantenimiento de Sistemas en Vivo

Rastrea la calidad de la recomendación en producción usando métricas en línea y detección de deriva de datos. Establece disparadores de reentrenamiento y procedimientos de reversión.

Lección 4 • Búsqueda Aproximada de Vecinos Más Cercanos

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 mediante 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 comunicación y las garantías de privacidad.

Lección 3 • Recomendaciones Conversacionales e Interactivas

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

Lección 4 • Direcciones de Investigación Emergentes

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