Sistemas de Recomendación

Un sistema de recomendación es un sistema de filtrado de información que predice la preferencia de un usuario por un ítem y le sugiere los más relevantes: productos, películas, canciones, noticias. Son el motor silencioso de buena parte de internet: lo que aparece en tu página de inicio de una tienda, un servicio de vídeo o una plataforma de música lo decide, en gran medida, un recomendador.

Los enfoques

Una arquitectura habitual separa tres etapas: generación de candidatos, que reduce un catálogo enorme; puntuación, que ordena esos candidatos; y reordenación, que aplica restricciones finales como diversidad o actualidad. Fuente primaria.

Qué datos usan

Los recomendadores se alimentan de dos tipos de señal. Las explícitas, cuando el usuario valora algo abiertamente (una puntuación de estrellas), y las implícitas, que se infieren de su conducta: clics, compras, tiempo de visionado. Las implícitas son más abundantes y menos molestas de recoger, pero también más ambiguas. Documentación: guía técnica de Google sobre recomendadores.

Sus problemas

Varios retos son transversales. El arranque en frío: un usuario o un ítem nuevos, sin historial, son difíciles de recomendar. La dispersión y la escalabilidad cuando el catálogo es enorme. Y la burbuja de filtro: si el sistema solo refuerza lo que ya te gusta, empobrece el descubrimiento; de ahí el interés por la diversidad y la serendipia. Documentación: guía técnica de Google sobre recomendadores. Fuente primaria.

Evolución y métricas

La técnica ha evolucionado de los métodos de vecindario a la factorización de matrices —que se consagró con el Premio Netflix— y de ahí al aprendizaje profundo y a los recomendadores secuenciales que modelan el orden de las interacciones. Para evaluarlos se usan métricas de error de predicción, como el RMSE, y métricas de ranking que miden la calidad de la lista ofrecida, como la precisión@k o la NDCG. Documentación: guía de factorización matricial de Google; guía de reordenación y diversidad de Google.