Utilizar paseos aleatorios para predecir el comportamiento en lugar de la descomposición matricial

Question

Quiero crear un modelo que intente predecir el comportamiento de un usuario basándose en los paseos aleatorios de usuarios similares. El problema es similar al reto de recomendación de Netflix. Una de las soluciones más populares fue utilizar la descomposición de valor singular para encontrar las películas que el usuario probablemente le gustaría ver.

Mi pregunta es más bien la siguiente: ¿qué género de película le gustaría ver a un usuario en un día concreto? Se pasa a cada estado con una probabilidad, y un estado podría ser "no ver ninguna película". ¿Tiene sentido o incluso es factible plantear el problema como un proceso de Markov? ¿Cómo se ha hecho esto antes?

Sólo di una clase sobre cadenas de Markov en la universidad. Gracias.

Answer 1

Puede que desee echar un vistazo a la Solución BelKor al Gran Premio de Netflix donde descubrieron que las recomendaciones específicas de películas tienden a depender en gran medida sólo de las películas más recientes en lugar de las del pasado lejano. Sin embargo, su metodología utilizaba redes neuronales. Se puede probar con un modelo bayesiano de transición de orden n'º, en el que se almacenan las probabilidades de transición para secuencias dadas de géneros de películas. La dirección $n$ aquí denota lo lejos que miras en el pasado. Por ejemplo, si tienes el historial de géneros del usuario, puedes intentar predecir cuándo quiere ver películas de "terror" de la siguiente manera: analiza su historial de visionados y obtendrás una secuencia temporal de géneros, digamos, "documental, terror, drama, dibujos animados, terror...". Para cada caso de "terror", buscarás $n=4$ géneros, en este caso "documental, terror, drama, dibujos animados". Si tiene $G$ géneros, luego están $G^n$ combinaciones posibles y esto te dará las probabilidades de transición para ver una película de terror a continuación. En esencia, cualquier secuencia dada de $n$ géneros te da una distribución de probabilidad de cuál será el siguiente género.

Answer 2

El problema de tratar este enfoque es que en un proceso de Markov las probabilidades de las películas potenciales del usuario mañana dependerían de la película del usuario hoy, y no de lo que ha pasado antes de hoy, algo que se llama la Propiedad de Markov .

Así que tu modelo desecharía toda la información anterior excepto el estado actual. No parece que este enfoque vaya a tener mucho éxito.