Título: Matchbox: un modelo bayesiano de recomendaciones
Directores: Gustavo Landfried y Esteban Mocskos
Jurados: Inés Caridi y Gastón Bujía.

Resumen:

Los sistemas de recomendación son modelos probabilísticos que ordenan un conjunto de acciones en función de su impacto sobre un determinado objetivo. Para ello es necesario hacer inferencia sobre las variables ocultas del modelo. Una de las clases de modelos de recomendación de ítems están basados en la descomposición en valores singulares de la matriz de puntajes que los usuarios asignan a los ítems. Sin embargo, en este caso la inferencia no puede realizarse de forma exacta. En el año 2009 Microsoft desarrolló una aproximación eficiente para realizar inferencia en sistema de recomendación por factorización de matrices mediante pasaje de mensajes entre los nodos de la red bayesiana (variables y funciones), garantizando que la distribución conjunta aproximada (q) minimice la divergencia Kullback-Leibler respecto a la solución por inferencia exacta (p). En este trabajo: documentamos de forma completa la matemática del algoritmo desarrollado por Microsoft; realizamos nuestra propia implementación del algoritmo de inferencia por pasaje de mensajes; y evaluamos nuestra implementación respecto de la versión oficial de Microsoft y de otros modelos de aprendizaje automático de propósito general.