Crítica a Collaborative filtering recommender systems de Schafer, J. B., Frankowski, D., Herlocker, J., & Sen, S. 2007.
Este paper habla acerca de los sistemas recomendadores que usan filtrado colaborativo, donde explican las nociones de este concepto y lo relacionado con este tipo de sistemas, tales como sus usos, algoritmos, ratings, evaluación, interfaces, navegación social, desafíos y preguntas abiertas. Dando, desde el punto de vista de los autores, mas importancia a la personalización basada en contenidos, ya que con el filtrado basado en contenidos se necesita analizar el contexto para dar mejores recomendaciones, en cambio a solo recomendar por ítems. Lo anterior, manteniendo siempre en el centro del proceso a las personas (usuarios), puesto que son ellos los que comienzan con el ciclo de las recomendaciones y son el recurso necesario para entender los gustos de cada uno o grupo de ellos.
Me pareció interesante la manera de mostrar los algoritmos usados en filtrado colaborativo, separados en dos clases con detalles de probabilidades: basados en memoria y basados en modelos. Los basados en memoria necesitan que todos los ratings, ítems y usuarios estén almacenados en memoria, en cambio los basados en modelos crean regularmente resúmenes de los patrones de ratings offline. Desde el punto de vista de la escalabilidad, los basados en memoria no son buenos en las aplicaciones reales, por un tema de procesar todos los datos que se necesitan, por lo que actualmente se basan en técnicas hibridas, combinando lo mejor de ambos. Así, me parece interesante mezclar ambos, para con eso conseguir mejores recomendaciones, ya que las limitantes de la memoria se pueden subsanar con mejores modelos.
Otro punto interesante del paper, es la “confianza” que puedan mostrar y realizar los usuarios para con el sistema, ya que estos sistemas tienen como eje central a las personas (usuarios) y con ellos las respectivas calificaciones que puedan hacer dentro del sistema. Creo en este punto existen debilidades, no solo en sistemas recomendadores, sino en todo sistema que tenga como recursos a los usuarios y sus opiniones o gustos. No creo exista algo (algoritmo o aplicación) que pueda captar las reales opiniones o gustos de los usuarios simplemente con pedirles que califiquen o describan algún ítem, puesto que, si un usuario quiere realizar malas opiniones, siendo que no son así, ya que tuvo un mal día o simplemente quiere calificar mal, lo hará de todas formas, siendo perjudicial para el sistema. Así, buscar maneras adecuadas de manejar esto, creo es un componente muy importante para que los sistemas recomendadores puedan seguir creciendo y mejorando en el tiempo. Por lo anterior, creo que fue muy poco detallado este punto en el paper comparado con el resto, ya que la confianza es un punto clave de buenas y reales recomendaciones.
Si bien este paper tiene un extenso componente teórico, dando detalles de los conceptos y nociones presentes dentro de lo que son los sistemas recomendadores que usan filtrado colaborativo, creo faltó implementaciones con código o repositorios donde analizar lo descrito, quedando como una muy buena “literature review” o “survey” acerca de estos sistemas.