Aprende Gestión de la Reducción de Dimensionalidad y Descubrimiento de Características Latentes Ocultas | Personalización Profunda Mediante Factorización de Matrices

Desliza para mostrar el menú

Reducción de dimensionalidad: qué es y por qué es necesaria en los sistemas de recomendación

Definición

Reducción de dimensionalidad es el proceso de transformar datos de un espacio de alta dimensión a uno de menor dimensión, conservando la información más importante.

En los sistemas de recomendación, las matrices usuario-producto pueden ser extremadamente grandes, con miles de usuarios y productos. Esta alta dimensionalidad puede hacer que los cálculos sean lentos y provocar sobreajuste, donde el modelo captura ruido en lugar de patrones significativos. Al reducir el número de dimensiones, los datos se vuelven más fáciles de analizar, visualizar y modelar, lo que conduce a recomendaciones más rápidas y robustas.

Características latentes: definición y ejemplos en datos usuario-producto

Las características latentes son factores ocultos que explican los patrones observados en las interacciones usuario-producto. A diferencia de los datos directamente medibles (como la edad o la categoría del producto), las características latentes no están etiquetadas explícitamente, sino que se infieren de la estructura de los datos. En un sistema de recomendación de películas, las características latentes pueden reflejar preferencias de los usuarios por géneros, directores o incluso cualidades abstractas como "humor peculiar" o "narrativa épica". Estas características ayudan a explicar por qué ciertos usuarios prefieren ciertos productos, incluso si esas preferencias no se expresan directamente.

Cómo el descubrimiento de características latentes mejora las recomendaciones

Descubrir características latentes permite que un sistema de recomendación vaya más allá de las similitudes superficiales. En lugar de simplemente emparejar usuarios con productos con los que ya han interactuado, el sistema puede identificar conexiones más profundas basadas en características ocultas compartidas. Esto conduce a recomendaciones más precisas y personalizadas, especialmente para productos nuevos o menos populares. También ayuda a mitigar el problema de "arranque en frío" al inferir preferencias a partir de patrones en los datos, en lugar de depender únicamente de historiales explícitos de los usuarios.

Ejemplo: reducción de una matriz usuario-producto a dimensiones latentes

Imagina una matriz usuario-producto donde las filas representan usuarios y las columnas representan productos. Cada entrada indica si un usuario ha interactuado con un producto. Esta matriz puede ser muy dispersa y de alta dimensión. Al aplicar reducción de dimensionalidad, puedes transformar esta matriz en dos matrices más pequeñas: una que representa a los usuarios en términos de características latentes y otra que representa a los productos en el mismo espacio de características latentes. El producto de estas matrices aproxima los datos originales, pero con muchas menos dimensiones, lo que facilita descubrir patrones significativos.


              123456789101112131415161718192021222324252627
            
import numpy as np

# Example user-item interaction matrix (users: rows, items: columns)
user_item_matrix = np.array([
    [5, 3, 0, 1],
    [4, 0, 0, 1],
    [1, 1, 0, 5],
    [1, 0, 0, 4],
    [0, 1, 5, 4],
])

# Perform Singular Value Decomposition (SVD)
U, sigma, Vt = np.linalg.svd(user_item_matrix, full_matrices=False)

# Reduce dimensions (keep top 2 latent features)
k = 2
U_k = U[:, :k]
sigma_k = np.diag(sigma[:k])
Vt_k = Vt[:k, :]

# Reconstruct the matrix using reduced dimensions
reconstructed = np.dot(np.dot(U_k, sigma_k), Vt_k)

print('Original user-item matrix:')
print(user_item_matrix)
print('\nReconstructed matrix (using 2 latent features):')
print(np.round(reconstructed, 2))

1. ¿Cuál es uno de los principales beneficios de descubrir características latentes en un sistema de recomendación?

2. ¿Cuál de las siguientes es una técnica común para la reducción de dimensionalidad en sistemas de recomendación?

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 4. Capítulo 1

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Sección 4. Capítulo 1