Sistemas de recomendación: qué decide de verdad el algoritmo

El 30 de julio de 2026, casi toda recomendación personalizada es una decisión de orden: entre miles o millones de elementos, el sistema elige cuáles mostrar, en qué posición y con qué frecuencia. No «descubre lo que una persona quiere» de forma neutral. Aprende de señales incompletas y optimiza un objetivo definido por la plataforma. Para entender cualquier recomendador hay que identificar cinco piezas: candidatos, señales, función de puntuación, reglas de reordenación y resultado medido.

Recomendar es ordenar bajo restricciones

Un catálogo completo suele ser demasiado grande para puntuarlo en tiempo real. Por eso un sistema práctico separa etapas. Primero recupera cientos o miles de candidatos plausibles; luego un modelo más costoso los puntúa; al final, reglas o modelos de reordenación aplican diversidad, frescura, disponibilidad, seguridad, límites comerciales y repetición. El resultado que ve el usuario no procede de un único algoritmo, sino de esta tubería.

La tarea también cambia según el producto. En una tienda puede interesar una compra sin recomendar artículos agotados; en música, una sesión sostenida sin repetir artista; en noticias, relevancia con pluralidad y actualidad. «Más clics» es una definición posible, no una ley. El objetivo puede combinar probabilidad de interacción, valor a largo plazo, satisfacción declarada, cancelaciones, devoluciones o restricciones que impiden ciertos resultados.

El punto de partida más útil es una referencia simple: populares recientes, contenidos del mismo tema o compras frecuentes por segmento. Un modelo complejo solo aporta si supera esa referencia bajo las mismas condiciones. El conjunto [MovieLens de GroupLens] permitió estudiar durante años valoraciones explícitas en un entorno reproducible, pero un buen resultado allí no garantiza éxito en un catálogo, interfaz y población distintos.

Colaborativo, contenido e híbrido describen de dónde sale la señal

El filtrado colaborativo aprovecha patrones entre usuarios y elementos. Si personas con historiales parecidos interactúan con artículos semejantes, el sistema puede acercar unos a otras sin comprender el contenido. La factorización de matrices representa usuarios e ítems mediante vectores latentes; su producto aproxima una preferencia. En retroalimentación implícita, el trabajo sobre [Bayesian Personalized Ranking] formuló el aprendizaje como ordenar un elemento observado por encima de otro no observado, no como predecir una puntuación absoluta.

Pero «no observado» no significa «no gustado». Quizá el elemento nunca se mostró, apareció demasiado abajo o no estaba disponible. Los clics dependen de posición y presentación. El estudio de Thorsten Joachims y colaboradores sobre [datos de clic como feedback implícito] mostró cómo el comportamiento puede utilizarse para inferir preferencias relativas bajo un diseño controlado. Leer un clic como deseo puro confunde elección con exposición.

Un sistema basado en contenido compara atributos del usuario o historial con atributos del elemento: tema, autor, género, descripción, imagen o representación aprendida. Puede recomendar un artículo nuevo sin esperar a que acumule interacciones, pero corre el riesgo de encerrar al usuario en lo ya conocido. Los híbridos combinan señales colaborativas y de contenido, además de contexto como idioma, hora, dispositivo o secuencia reciente. La categoría importa menos que la pregunta: ¿qué información permitió que este candidato apareciera?

Recuperar, puntuar y reordenar son trabajos distintos

La recuperación favorece cobertura y velocidad: no debe perder buenos candidatos antes de la fase precisa. Puede usar vecinos, reglas, búsquedas vectoriales o varios generadores en paralelo. La puntuación incorpora más rasgos y predice una respuesta concreta. El artículo de Google sobre [redes profundas para recomendaciones de YouTube] describe por separado una red de generación de candidatos y otra de ranking, una arquitectura que ayuda a pensar el problema aunque no deba copiarse sin contexto.

Los modelos «wide and deep» combinan memorización de cruces frecuentes con generalización mediante representaciones, según el [paper original]. La idea durable no es una marca de arquitectura, sino la tensión: recordar asociaciones fiables y encontrar otras nuevas. Más parámetros no resuelven una etiqueta ambigua, un catálogo mal representado ni una función objetivo que premie la conducta equivocada.

El arranque en frío deja ver la mecánica. Un usuario nuevo no tiene historial; un elemento nuevo no tiene exposición. Se recurre a popularidad contextual, atributos, preguntas iniciales, exploración o señales de sesión. También hay que decidir qué hacer con intereses múltiples y cambios de intención: una búsqueda puntual no debería reescribir para siempre el perfil. Separar preferencias duraderas de contexto reciente y ofrecer controles explícitos reduce inferencias frágiles.

Las representaciones tampoco son inocentes. Un identificador aprendido solo a partir de interacciones favorece a quien ya tiene historia; una descripción aporta semántica, pero reproduce categorías y omisiones del catálogo. Conviene comprobar qué ocurre cuando faltan atributos, aparecen idiomas distintos o un creador publica por primera vez. El rendimiento medio puede esconder un sistema que funciona muy bien para la cabeza del catálogo y apenas recupera su cola.

Una buena métrica offline puede elegir un mal producto

En evaluación offline, precisión en k, recall en k, mean reciprocal rank y NDCG comparan una lista con interacciones reservadas. La división debe respetar el tiempo: entrenar con una acción futura contamina el pasado. También debe conservar elementos disponibles y simular qué podía conocer el sistema. La literatura ha señalado que protocolos y métricas offline pueden producir conclusiones divergentes; [Offline Evaluation for Recommender Systems] resume por qué la elección experimental es parte del resultado.

Hay un problema más profundo: los datos históricos fueron generados por el recomendador anterior. Solo se observan reacciones a lo que este decidió exponer. Un modelo nuevo puede parecer débil porque propone elementos que nunca tuvieron oportunidad de recibir clics. Los experimentos aleatorizados permiten comparar políticas, pero requieren métricas de guardarraíl, duración suficiente y atención a interferencias. El trabajo de Li y colaboradores sobre [evaluación offline no sesgada de recomendaciones] muestra cómo registros con acciones aleatorizadas pueden reutilizarse para evaluar otra política en condiciones definidas.

El test en línea tampoco responde todo con un único clic. Hay que declarar unidad de aleatorización, horizonte y objetivo principal; observar latencia, quejas, ocultaciones, devoluciones, diversidad de consumo y retención; y comprobar que el beneficio no se concentra a costa de un grupo. Un aumento inmediato puede entrenar hábitos indeseados o agotar catálogo. La pregunta correcta es qué conducta cambió, durante cuánto tiempo y con qué coste.

Antes de lanzar, una prueba de sombra puede ejecutar el nuevo sistema sin alterar lo que recibe el usuario y revelar fallos de latencia, cobertura o disponibilidad. Después, un despliegue gradual limita el impacto. Estas técnicas no demuestran satisfacción, pero separan fiabilidad operativa de calidad de ranking. Un experimento solo es interpretable si la versión, los filtros y las rutas de respaldo permanecen registrados.

El sistema aprende del mundo que él mismo organiza

Una recomendación genera exposición; la exposición produce interacción; y esa interacción se convierte en dato de entrenamiento. Así nace un bucle de realimentación. Los elementos ya visibles acumulan señales y parecen aún más relevantes, mientras los nuevos permanecen desconocidos. Explorar deliberadamente —reservar una pequeña parte del tráfico para aprender— puede romper el círculo, pero tiene un coste y necesita límites de seguridad.

Diversidad no es lo mismo que novedad, serendipia o cobertura. Puede medirse dentro de una lista, a lo largo del tiempo o entre usuarios. La equidad añade otra dimensión: quién recibe oportunidades de exposición y quién encuentra contenido útil. El trabajo sobre [equidad en rankings con restricciones] formaliza el reparto de atención como parte del problema de ordenación. No existe un único equilibrio correcto; sí existe la obligación de hacer visible qué se optimiza y qué queda protegido.

Para auditar un recomendador, reconstruya la ruta de cada elemento: cómo entró en candidatos, qué señal lo elevó, qué objetivo calculó su puntuación, qué regla cambió su posición y qué evento se contó como éxito. Después pregunte qué no pudo observarse y qué comportamiento crea el propio sistema. Esa lectura sirve en una tienda, una plataforma de vídeo o un buscador: convierte «personalizado para ti» en una serie de decisiones técnicas y editoriales que pueden discutirse.