Um dos modelos mais conhecidos em Sistemas de Recomendação são as estratégias de Collaborative Filtering memory-based. Essas abordagens tentam corr...

Um dos modelos mais conhecidos em Sistemas de Recomendação são as estratégias de Collaborative Filtering memory-based. Essas abordagens tentam correlacionar usuários e/ou itens, identificando aqueles que são mais semelhantes entre si, a fim de recomendar com base nessas informações. No modelo user-user, por exemplo, primeiro identifica-se os usuários mais similares ao usuário alvo, para depois gerar as recomendações para ele. Contudo, essa estratégia possui um problema. Se dois usuários avaliaram pouquíssimos itens (1 ou 2, por exemplo) e coincidir de serem os mesmos itens, o sistema dirá que eles são extremamente similares (similaridade = 1), mesmo sendo “cedo” para tal afirmação. O ideal é que o sistema seja capaz de reconhecer que esses usuários podem não ser tão similares assim. O que você poderia propor para suavizar esse problema?


Uma simples solução seria considerar a confiança na similaridade calculada, de forma que a similaridade entre usuários que avaliaram poucos itens tenha uma confiança menor.
Uma solução seria ignorar a similaridade entre usuários que avaliaram poucos itens, considerando apenas aqueles que avaliaram uma quantidade mínima de itens.
Não há solução para esse problema, pois o modelo user-user é limitado nesse aspecto.