On the effectiveness of neighborhood-based models in recommender systems

Neighborhood-based (NB) models are one of the most important milestones in the Recommender Systems literature. These models present valuable properties like simplicity, justifiability, stability, and generalization capability that can be rarely found in other techniques. Nevertheless, in the last few years, the research interest moved towards more promising and complex techniques belonging to the Machine Learning (ML) sphere. The goal of this thesis is to show that NB and ML are not alternative methodologies, but they represent complementary components of a successful system. We prove that it is possible to use ML to compute a new user-level confidence index for item-based methods that can be exploited to provide precise recommendations. We demonstrate how to double the stability of Matrix Factorization algorithms exploiting neighborhood information extracted through NB techniques, enhancing the final accuracy of the MF models. Finally, we propose two new approaches for item cold-start recommendation that extract collaborative information from item similarities computed with NB algorithms, improving up to 20% the recommendation accuracy.

I modelli Neighborhood-based (NB) sono una delle più importanti pietre miliari nella letteratura sui Sistemi di Raccomandazione. Questi modelli presentano valide proprietà come semplicità, giustificabilità, stabilità e capacità di generalizzazione, che raramente si possono trovare in altre tecniche. Tuttavia, negli ultimi anni l'interesse dei ricercatori si è spostato verso tecniche più promettenti e complesse appartenenti alla sfera del Machine Learning (ML). Lo scopo di questa tesi è di mostrare che NB e ML non sono metodologie alternative, ma rappresentano componenti complementari in un sistema di successo. Proviamo che è possibile usare il ML per stimare un nuovo indice di confidenza a livello utente per modelli item-based che può essere utilizzato per fornire raccomandazioni più precise. Dimostramo inoltre che è possibile raddoppiare la stabilità di algoritmi di Matrix Factorization (MF) sfruttando l'informazione di prossimità estratta attraverso tecniche NB, migliorando l'accuratezza dei modelli stessi. Infine, proponiamo due nuovi approcci per la raccomandazione di prodotti "cold-start" che estrae informazione collaborativa da similarità tra prodotti calcolata attraverso algoritmi NB, aumentando la precisione delle raccomandazioni fino al 20%.