Combining collaborative and content information into a novel graph based hybrid model for recommendation

Recommender systems are information filtering systems that are used to predict the preferences of users over a set of items in order to provide recommendations. Because of the extremely large number of products available in most online web services, recommender systems are extremely important to help the users navigate these huge catalogues. We encounter their usage every day. For instance, when Spotify create a personalized daily playlist for us, or when Netflix suggests us a new movie. There are mainly two types of recommender systems: collaborative based and content based. The former uses the users' behaviors, their past interactions with the set of items, to provide recommendations, while the latter relies on the description of the items to find similar ones. In most cases, collaborative techniques have better performance. However, they are not able to recommend new items because of their lack of user interactions. Content based approaches, on the other hand, can include items that don't have any interaction yet in their recommendations. This type of situation, referred to as cold start, is very common in systems with a dynamic set of items. In this thesis, we combine the two approaches into a single model, which uses a machine learning optimization algorithm to find the optimal balance, thus exploiting the advantages of both techniques. The results of the conducted experiments indicate that the proposed model is able to outperform, in most cases, the state of art collaborative algorithms, while achieving results similar to those of content based algorithms in cold start scenarios.

I sistemi di raccomandazione sono sistemi di filtraggio dei contenuti che vengono utilizzati per predire le preferenze degli utenti su un insieme di elementi, al fine di fornire raccomandazioni. A causa del numero estremamente elevato di prodotti disponibili nella maggior parte delle applicazioni web, i sistemi di raccomandazione sono estremamente importanti per aiutare gli utenti a navigare in questi vasti cataloghi. Incontriamo il loro utilizzo tutti i giorni. Per esempio, quando Spotify crea una playlist giornaliera personalizzata per noi, o quando Netflix ci suggerisce un nuovo film. Ci sono principalmente due tipi di sistemi di raccomandazione: quelli collaborativi e quelli basati sui contenuti. Il primo utilizza i comportamenti degli utenti, le loro interazioni passate con l’insieme degli elementi, per fornire raccomandazioni, mentre il secondo si basa sulla descrizione degli elementi per trovarne di simili. Nella maggiorparte dei casi, le tecniche collaborative hanno prestazioni migliori. Tuttavia, non sono in grado di raccomandare nuovi elementi a causa della loro mancanza di interazioni con gli utenti. Gli approcci basati sui contenuti, invece, possono includere nelle loro raccomandazioni elementi che non hanno ancora alcuna interazione. Questo tipo di scenario, chiamato cold start, è molto comune nei sistemi con un insieme dinamico di elementi. In questa tesi, combiniamo i due approcci in un unico modello, che utilizza un algoritmo di machine learning di ottimizzazione per trovare l’equilibrio ottimale, sfruttando così i vantaggi di entrambe le tecniche. I risultati degli esperimenti condotti indicano che il modello proposto è in grado di superare, nella maggior parte dei casi, gli algoritmi collaborativi dello stato dell’arte, e di ottenere risultati simili a quelli degli algoritmi basati sui contenuti in scenari di cold start.