No es muy bien conocido enfoque basado en el restringido máquinas de BOltzmann (RBM), en la que ganó el Netflix de la competencia. Para más detalles se puede echar un vistazo a la Wikipedia sitio, y las referencias allí contenidas.
Restringido Boltzmann máquinas son un caso particular de Campos Aleatorios de Markov, con algunas de las propiedades que los hace especialmente atractivos. Aquí un par de puntos.
El enfoque se describe en detalle en este documento. La idea es que hay una gestión por resultados por usuario. Cada gestión por resultados tiene tantas unidades ocultos como los elementos valorados por el usuario. La principal idea es compartir peso: el peso de referirse a un elemento correspondiente es compartida por todos los usuarios, es decir, es el mismo parámetro. Así que cuando muchos usuarios dan una buena calificación a un elemento, el peso correspondiente se vuelve más fuerte para todos los usuarios. Y viceversa. Aquí es donde la colaboración se lleva a cabo.
Ahora, para ver en qué ítems a recomendar a un usuario determinado, de una pinza de las visibles y de las unidades a la observada calificaciones, y evalúa la probabilidad de obtener una determinada calificación para cada usuario. Usted puede tener una mirada en estas diapositivas, donde gráficamente se explica en más detalle.
Como yo lo entiendo, la selección de un vértice sería equivalente a seleccionar uno de los elementos. La gestión por resultados le dan la espalda cuán probable es que el usuario de la tasa de la mercancía como k, donde k es cada una de las posibles clasificaciones.
