beeFormer: Superando la Brecha entre la Semejanza Semántica y la Interacción en los Sistemas de Recomendación
El proyecto beeFormer presenta un nuevo enfoque para los sistemas de recomendación diseñado para abordar el problema de arranque en frío. Utiliza modelos de lenguaje para aprender patrones de comportamiento del usuario a partir de datos de interacción y transferir este conocimiento a elementos no vistos. A diferencia del filtrado basado en contenido tradicional, que depende de los atributos de los elementos, beeFormer aprende patrones de interacción del usuario para recomendar mejor los elementos alineados con los intereses del usuario, incluso sin datos de interacción previos. Los experimentos demuestran mejoras significativas en el rendimiento. El proyecto proporciona pasos de entrenamiento detallados y modelos preentrenados, con soporte para conjuntos de datos como MovieLens, GoodBooks y Amazon Books.