Filtrado Colaborativo
El filtrado colaborativo es la técnica de recomendación que predice lo que le gustará a un usuario a partir del comportamiento de muchos otros. Explicamos su principio, su contraste con el filtrado por contenido, sus enfoques de vecindario y de factorización de matrices —popularizada por el Premio Netflix—, sus problemas conocidos y su versión neuronal.
El filtrado colaborativo es una técnica de los sistemas de recomendación que predice los intereses de un usuario a partir del comportamiento de muchos otros usuarios. Su principio es intuitivo: si dos personas coincidieron en sus gustos en el pasado, probablemente coincidirán en el futuro. Trabaja sobre una matriz de interacciones usuario-ítem —valoraciones, clics, compras— e intenta rellenar sus huecos; a diferencia de otros métodos, no mira el contenido de los ítems, sino el comportamiento.
Frente al filtrado por contenido
Conviene contrastarlo con el filtrado basado en contenido, que recomienda ítems parecidos a los que ya gustaron según sus atributos (género, tema, etc.). El filtrado colaborativo, en cambio, puede sugerir algo fuera del perfil conocido del usuario —lo que gustó a otros parecidos—, a cambio de necesitar más datos de comportamiento para funcionar.
Vecindario y factorización
Hay dos grandes enfoques. El basado en vecindario (o en memoria) busca similitudes: el basado en usuarios recomienda lo que gustó a usuarios parecidos, y el basado en ítems, ítems parecidos a los que ya consumiste. El basado en modelo, y en particular la factorización de matrices, descompone la gran matriz de interacciones en factores latentes de baja dimensión que capturan gustos y características. Este último se dio a conocer masivamente con el Premio Netflix (2006-2009), un concurso de un millón de dólares por mejorar un 10 % las recomendaciones, que ganó el equipo BellKor's Pragmatic Chaos en 2009.
Sus problemas
El método arrastra dificultades conocidas. El arranque en frío (cold start): un usuario o un ítem nuevos, sin historial, son difíciles de recomendar. La dispersión: la matriz está casi vacía, porque cada usuario interactúa con una fracción mínima del catálogo. Y la escalabilidad, cuando el número de usuarios e ítems crece.
La versión neuronal
La investigación reciente ha llevado el filtrado colaborativo al aprendizaje profundo. El filtrado colaborativo neuronal (He y colaboradores, 2017) aprende embeddings —representaciones vectoriales— de usuarios e ítems y sustituye el producto simple de la factorización por redes neuronales que capturan relaciones no lineales. En 2026 los recomendadores suelen ser híbridos, combinando señales de comportamiento y de contenido.
Este artículo se ha elaborado con inteligencia artificial bajo supervisión editorial humana.
