Sistemas de recomendación: aplicaciones y ejemplos

Examinamos los principales tipos de sistemas de recomendación, conceptos clave y aplicaciones del mundo real, y comparamos LightFM, Cornac BPR y TensorFlow Recommenders utilizando AUC, Precision@10 y Recall@10.

Mejores bibliotecas de Python para sistemas de recomendación

Estas bibliotecas implementan algoritmos de aprendizaje automático para procesar datos de entrenamiento y generar recomendaciones personalizadas utilizando técnicas de filtrado colaborativo o basado en contenido. Además, estas bibliotecas implementan modelos de aprendizaje automático para analizar datos y descubrir patrones, lo que permite al motor de recomendación sugerir elementos relevantes basados en el comportamiento y las preferencias del usuario.

Resultados de la comparativa LightFM vs Cornac BPR vs TensorFlow

TensorFlow Recommenders fue el que mejor rendimiento obtuvo. Su arquitectura de aprendizaje profundo le permite capturar relaciones usuario-elemento más complejas. LightFM, que funciona bien cuando hay metadatos disponibles, no rindió tan bien aquí porque solo utilizamos datos de comportamiento; aún así superó a BPR. Cornac BPR tuvo la calidad de recomendación más baja, por lo que es más adecuado para experimentos rápidos o aplicaciones a pequeña escala.

Utilizamos nuestra metodología de evaluación comparativa de motores de recomendación para probar LightFM, Cornac BPR y TensorFlow.

¿Qué es un sistema de recomendación?

Un sistema de recomendación (o sistema recomendador) es una herramienta diseñada para ofrecer sugerencias personalizadas a los usuarios según sus preferencias, comportamiento e interacciones con una plataforma. Estos sistemas analizan datos como el historial de compras, el historial de navegación, datos demográficos del usuario e información contextual para ofrecer contenido relevante. A continuación se presentan los tipos más comunes de sistemas de recomendación:

Técnicas de filtrado colaborativo:

• Se basa en patrones de interacciones entre usuarios y elementos.
• Incluye filtrado colaborativo basado en usuarios (encontrar usuarios similares) y basado en elementos (encontrar elementos similares).
• Ideal para comercio electrónico y servicios de streaming.

Técnicas de filtrado basado en contenido:

• Se centra en los atributos de los elementos (características del elemento) y las interacciones pasadas del usuario (preferencias del usuario).
• Ideal para identificar intereses específicos del usuario objetivo.

Sistemas de recomendación híbridos:

• Combinan métodos de filtrado colaborativo y basado en contenido.
• Aprovechan modelos de aprendizaje automático como redes neuronales profundas y redes neuronales recurrentes para obtener predicciones mejoradas.

Conceptos clave de los sistemas de recomendación

Fundamentos de la factorización matricial

La factorización matricial es una técnica fundamental en el filtrado colaborativo. Descompone una gran matriz de interacción usuario-elemento (por ejemplo, calificaciones o clics) en matrices más pequeñas que capturan patrones o relaciones ocultas, llamadas características latentes.

Este enfoque ayuda a reducir la complejidad de los datos y a descubrir información significativa, como la preferencia de un usuario por géneros específicos o el atractivo de un elemento para un grupo en particular.

Similitud basada en embeddings

Algunos marcos de trabajo de recomendación calculan la similitud entre elementos utilizando vectores de embedding en lugar de etiquetas compartidas. Los enfoques basados en embeddings capturan características matizadas de los elementos en un vector numérico, lo que permite una coincidencia de similitud más precisa sin necesidad de mantenimiento manual de etiquetas.

Por ejemplo, el recomendador de código abierto Gorse admite similitud de embeddings calculando la distancia euclidiana entre vectores de elementos, incluidos los embeddings de proveedores como OpenAI y Ollama.¹

Entendiendo los datos implícitos

Los datos implícitos se refieren a indicadores indirectos de las preferencias del usuario, obtenidos de comportamientos en lugar de retroalimentación explícita como las calificaciones con estrellas. Algunos ejemplos de datos implícitos incluyen las tasas de clics, el tiempo pasado en una página, el historial de compras y los patrones de búsqueda.

Este tipo de datos es más fácil de recopilar a escala y a menudo refleja la participación real. Sin embargo, puede ser ruidoso o ambiguo, como interpretar si una visita larga a una página indica interés o distracción.

Aprendizaje profundo en recomendaciones

El aprendizaje profundo apoya los sistemas de recomendación analizando datos complejos y multidimensionales mediante redes neuronales. Es particularmente efectivo para recomendaciones basadas en sesiones, comprensión de contenido y sugerencias sensibles al contexto que tienen en cuenta el tiempo, la ubicación o el estado de ánimo del usuario.

Estos métodos pueden procesar grandes volúmenes de datos no estructurados como texto, imágenes y vídeos, aprendiendo relaciones intrincadas entre las características.

Enfoques de recomendación híbridos

Los sistemas de recomendación híbridos combinan diferentes técnicas, como filtrado colaborativo, basado en contenido y basado en conocimiento. Esta integración mejora la precisión y aborda desafíos como el problema del arranque en frío (nuevos usuarios o elementos) y los datos dispersos.

Áreas de aplicación de los sistemas de recomendación

Casi cualquier negocio puede beneficiarse de un sistema de recomendación. Hay dos aspectos importantes que determinan el nivel de beneficio que una empresa puede obtener de la tecnología.

• La amplitud de los datos: Una empresa que atiende solo a un puñado de clientes que se comportan de manera diferente no obtendrá muchos beneficios de un sistema de recomendación automatizado. Los humanos siguen siendo mucho mejores que las máquinas en el área de aprender a partir de pocos ejemplos. En tales casos, sus empleados utilizarán su lógica y comprensión cualitativa y cuantitativa de los clientes para hacer recomendaciones precisas.
• La profundidad de los datos: Tener un solo punto de datos sobre cada cliente tampoco es útil para los sistemas de recomendación. Datos profundos sobre las actividades en línea de los clientes y, si es posible, las compras fuera de línea pueden guiar recomendaciones precisas.

Estas son algunas de las industrias más comunes donde se aplican los sistemas de recomendación:

eCommerce

Las plataformas de eCommerce aprovechan los sistemas de recomendación para mejorar la experiencia de compra sugiriendo productos relevantes a los usuarios.

Estos sistemas analizan compras pasadas, historial de navegación y preferencias para recomendar elementos como “Los clientes que compraron esto también compraron” o “Comprados juntos frecuentemente”.

Este proceso mejora las ventas y aumenta el valor promedio del pedido, y también mejora la satisfacción del cliente al ahorrar tiempo y esfuerzo a los usuarios.

Ejemplo real: Amazon

Amazon.com utiliza recomendaciones de filtrado colaborativo elemento a elemento en la mayoría de las páginas de su sitio web y campañas de correo electrónico. Según McKinsey, el 35% de las compras de Amazon se deben a los sistemas de recomendación.²

Entretenimiento

En la industria del entretenimiento, los sistemas de recomendación ayudan a los usuarios a descubrir películas, música, programas de televisión o libros adaptados a sus gustos. Al analizar los hábitos de visualización o escucha, estos sistemas pueden proporcionar contenido personalizado para aumentar la participación del usuario y el tiempo pasado en la plataforma.

Ejemplo real: Netflix

Netflix utiliza una combinación de filtrado colaborativo y filtrado basado en contenido para sugerir programas y películas, lo que lleva a que el 80% del contenido visto sea impulsado por recomendaciones.

El Premio Netflix fue una competición lanzada por Netflix en octubre de 2006 para mejorar su sistema de recomendación de películas. El desafío ofreció un premio de 1 millón de dólares al equipo o individuo que lograra al menos una mejora del 10% en la precisión de las predicciones en comparación con el algoritmo de recomendación existente de Netflix.³

Ejemplo real: Spotify

Cada semana, Spotify genera una nueva lista de reproducción personalizada para cada suscriptor llamada “Discover Weekly”, que es una lista personalizada de 30 canciones basada en los gustos musicales únicos de los usuarios. Su adquisición de Echo Nest, una startup de inteligencia musical y análisis de datos, les permitió crear un motor de recomendación musical que utiliza tres tipos diferentes de modelos de recomendación:⁴

• Filtrado colaborativo: Filtrado de canciones comparando los datos de escucha históricos del usuario con el historial de escucha de otros usuarios.
• Procesamiento del lenguaje natural: Raspado de internet para obtener información sobre artistas y canciones específicos. A cada artista o canción se le asigna luego una lista dinámica de términos principales que cambia diariamente y se ponderan por relevancia. El motor determina entonces si dos piezas musicales o artistas son similares.
• Análisis de archivos de audio: El algoritmo analiza las características de cada archivo de audio individual, incluyendo tempo, volumen, tonalidad y compás, y hace recomendaciones en consecuencia.

Redes sociales

Las plataformas de redes sociales utilizan sistemas de recomendación para sugerir amigos, grupos, páginas, publicaciones o anuncios basados en las interacciones, preferencias y conexiones del usuario. Estas sugerencias mejoran la interacción del usuario, fomentan el descubrimiento de contenido y generan ingresos publicitarios.

Meta

Meta emplea sistemas de IA para ofrecer recomendaciones de contenido personalizadas en Facebook e Instagram, incluso de fuentes que los usuarios no siguen. Este enfoque mejora la experiencia del usuario al introducir contenido diverso y apoya a los creadores a llegar a audiencias más amplias. El proceso de recomendación implica:

• Comprensión del contenido: Utilización de modelos de IA para analizar e interpretar varios tipos de contenido, incluyendo imágenes, texto, audio y vídeo, para entender sus significados semánticos.
• Comprensión de preferencias, recuperación y clasificación: Desarrollo de sistemas que filtran fácilmente grandes cantidades de contenido para identificar y clasificar aquellos más relevantes para los intereses individuales del usuario.

Esta estrategia impulsada por IA permite a Meta presentar a los usuarios contenido atractivo más allá de su red inmediata para fomentar una exploración más profunda de los intereses y mejorar la participación general en la plataforma.⁵

X (anteriormente Twitter)

El sistema de recomendación de X ha eliminado las características diseñadas manualmente en favor de un enfoque aprendido de extremo a extremo. Utiliza un modelo de dos torres para recuperar publicaciones relevantes codificando el historial del usuario y las publicaciones candidatas por separado, luego clasifica cada elemento utilizando un transformador basado en Grok que predice las probabilidades de participación directamente del comportamiento del usuario.

La implementación completa está disponible públicamente en el repositorio X For-You feed.⁶

Salud

Los sistemas de recomendación sanitaria sugieren opciones de tratamiento, recursos de salud o medidas preventivas adaptadas a los datos del paciente, como el historial médico y el estilo de vida. La incorporación de IA en la atención sanitaria mejora la calidad de la atención y reduce los costos sanitarios. Consulte IA generativa en la atención sanitaria para obtener más información.

Ejemplo real: Ada Healthcare

Ada Health es una plataforma impulsada por IA diseñada para ayudar a los usuarios a gestionar su salud proporcionando orientación médica personalizada. Los usuarios pueden ingresar sus síntomas para recibir evaluaciones que sugieren posibles afecciones y recomiendan los siguientes pasos apropiados. El sistema de IA de la plataforma es optimizado continuamente por un equipo de expertos médicos para garantizar precisión y fiabilidad.

Además de atender a usuarios individuales, Ada ofrece soluciones empresariales destinadas a mejorar los resultados sanitarios. Estas soluciones ayudan a los socios a informar decisiones de salud, mejorar los procesos de triaje y reducir costos evitables.⁷

Retail

En el comercio minorista, los sistemas de recomendación se utilizan para experiencias de compra personalizadas, recomendaciones en tienda y sugerencias de inventario. Estos sistemas ayudan a los minoristas a optimizar la gestión de existencias, mejorar las ventas y aumentar la satisfacción del cliente.

Ejemplo real: Rappi con Amazon Personalize

Rappi, un servicio de entrega a pedido en América Latina, colaboró con Amazon Personalize para mejorar la participación del cliente y aumentar las ventas implementando un sistema de recomendación personalizado dentro de su aplicación.

Al aprovechar Amazon Personalize, Rappi desarrolló una función llamada “Just For You” (JFY), que analiza el comportamiento y las preferencias del usuario para proporcionar recomendaciones de productos personalizadas mostradas en una sección dedicada de la aplicación.

Esta estrategia de personalización llevó a un aumento del 102% en las tasas de clics y un incremento del 147% en los ingresos provenientes de recomendaciones personalizadas. Además, la participación del cliente mejoró y la aparición de productos de bajo rendimiento disminuyó.⁸

Finanzas y banca

Las instituciones financieras utilizan sistemas de recomendación para sugerir opciones de inversión, tarjetas de crédito o productos de seguros basados en el comportamiento financiero y los objetivos del usuario. Consulte los casos de uso de IA generativa en banca para obtener más información sobre cómo se puede utilizar la IA generativa en finanzas y banca.

Juegos

Las plataformas de juegos utilizan sistemas de recomendación para sugerir compras dentro del juego, nuevos juegos o conectar jugadores según sus preferencias, hábitos de juego e interacciones sociales. Esto mejora la experiencia de juego y genera ingresos.

Ejemplo real: Glance con Google Cloud

Glance, una subsidiaria de InMobi, se asoció con Google Cloud para construir un sistema de recomendación de juegos personalizado para su plataforma de juegos móviles, Nostra, que involucra a más de 220 millones de usuarios a través de pantallas de bloqueo.

Al analizar datos de usuarios y juegos con datos de interacción, identificaron patrones como los momentos óptimos de participación y las preferencias de juego. Esta colaboración mejoró significativamente la participación de los usuarios.⁹

Además, los sistemas de recomendación abren importantes oportunidades de ingresos al impulsar las ventas adicionales, las ventas cruzadas y mayores tasas de participación. Al ofrecer sugerencias personalizadas, estos sistemas mejoran la retención de clientes, fomentando la lealtad a largo plazo y una interacción sostenida del usuario.

LLM sistemas de recomendación basados en

Los sistemas de recomendación tradicionales analizan datos estructurados como calificaciones y clics. Los sistemas basados en LLM van más allá, entendiendo consultas en lenguaje natural, interpretando preferencias matizadas y explicando sus sugerencias.

Este enfoque aporta varias ventajas sobre los métodos tradicionales:

• Comprensión semántica: Interpreta consultas complejas en lenguaje natural más allá de la coincidencia de palabras clave, como “algo edificante pero no demasiado empalagoso”
• Manejo del arranque en frío: Los nuevos usuarios pueden describir preferencias en lenguaje natural en lugar de requerir historial de interacciones
• Salidas explicables: Genera explicaciones en lenguaje natural para las recomendaciones, aunque estas describen el razonamiento del modelo más que sus cálculos internos
• Razonamiento entre dominios: Identifica preferencias subyacentes en diferentes categorías y tipos de contenido

Ejemplos del mundo real:

• Netflix desarrolló un modelo fundacional para recomendaciones personalizadas, tratando el historial de interacción del usuario como tokens y aplicando arquitecturas basadas en transformadores
• Spotify IA DJ combina el historial de escucha con IA generativa para crear comentarios personalizados y selecciones musicales
• Amazon Rufus es un asistente de compras impulsado por IA generativa que permite el descubrimiento de productos mediante lenguaje natural
• Servicio de Recomendación de Comercio Agentivo de Criteo conecta asistentes de compras de IA con los inventarios de los comerciantes, enrutando consultas a través de un Protocolo de Contexto de Modelo (MCP) API, aplicando señales de compras en vivo para clasificar productos basados en el comportamiento de compra real.¹⁰
• Wizard es un agente de compras de IA que busca en minoristas, reseñas y fuentes de contenido para devolver una lista seleccionada de los cinco mejores productos. A diferencia de los recomendadores específicos de minoristas, agrega resultados de toda la web según las necesidades descritas por el usuario.¹¹
• LinkedIn implementó recomendadores generativos y modelos de secuencia a gran escala en la clasificación de su feed. En lugar de utilizar modelos separados para cada componente del feed, el sistema evalúa la actividad de cada usuario como parte de un viaje continuo, permitiendo que el comportamiento en diferentes áreas de la plataforma influya en las recomendaciones en todo momento.¹²

Configuración de un sistema de recomendación

Si bien la mayoría de las empresas se beneficiarían de adoptar una solución existente, las empresas en categorías de nicho o a muy gran escala podrían experimentar con la construcción de su propio motor de recomendación.

1. Usar una solución lista para usar

Los sistemas de recomendación son uno de los casos de uso de IA más tempranos y maduros.

Las ventajas de este enfoque incluyen una implementación rápida y resultados altamente precisos para la mayoría de los casos:

• Incluir un fragmento de código del proveedor puede ser suficiente para comenzar.
• Las soluciones tienden a ser precisas ya que los proveedores utilizan datos de miles de transacciones de sus clientes de manera anónima para mejorar sus modelos.

Para elegir el sistema adecuado, puede usar datos históricos o, mejor aún, datos en vivo para probar la efectividad de diferentes sistemas rápidamente.

2. Construir su propia solución

Esto puede tener sentido si:

• se encuentra en un dominio de nicho donde los motores de recomendación no se han utilizado antes o
• posee uno de los mercados más grandes del mundo donde recomendaciones ligeramente mejores pueden marcar una diferencia importante en sus resultados comerciales.

Los sistemas de recomendación en el mercado hoy en día usan lógica como: los clientes con historiales de compra y navegación similares comprarán productos similares en el futuro. Para que dicho sistema funcione, necesita una gran cantidad de transacciones históricas o datos detallados sobre el comportamiento de sus usuarios en otros sitios web. Si necesita dichos datos, puede buscarlos en mercados de datos.

Más datos y mejores algoritmos mejoran las recomendaciones. Debe hacer uso de todos los datos relevantes en su empresa, y podría expandir los datos de sus clientes con datos de 3rd party. Si un cliente habitual suyo ha estado buscando zapatillas rojas en otros sitios web, ¿por qué no mostrarle un gran par cuando visite su sitio web?

3. Trabajar con un consultor para construir sus propias soluciones

Un motor de recomendación ligeramente mejor podría aumentar las ventas de una empresa en algunos puntos porcentuales, lo que podría hacer un cambio dramático en la rentabilidad de una empresa con márgenes de beneficio bajos. Por lo tanto, puede tener sentido invertir en construir mejores motores de recomendación si la empresa no está obteniendo resultados satisfactorios de los proveedores de soluciones existentes en el mercado.

4. Realizar una competencia de ciencia de datos para construir su propia solución

Un enfoque posible es utilizar la sabiduría de la multitud para construir dichos sistemas. Las empresas pueden usar datos históricos encriptados, lanzar competencias de ciencia de datos o trabajar con consultores y obtener modelos que proporcionen recomendaciones altamente efectivas.

Abordar la deriva de datos

Los embeddings y los índices de elementos en caché pueden volverse obsoletos con el tiempo, lo que da lugar a recomendaciones que ya no reflejan los intereses actuales del usuario. Herramientas como Drifter monitorean en tiempo real los pipelines de recomendación en vivo para detectar problemas de calidad de datos y deriva antes de que afecten la calidad de la recomendación.¹³

¿Cómo elegir un sistema de recomendación?

Elegir el sistema de recomendación adecuado depende de sus objetivos comerciales, los datos disponibles y los recursos técnicos a su disposición. Aquí hay algunas consideraciones clave:

1. Evaluación del modelo en sus datos
   • Es esencial probar modelos en su propio dataset para ver qué tan bien funcionan en su contexto específico. Los benchmarks estándar pueden no reflejar a sus usuarios, elementos u objetivos comerciales.
2. Tipo de datos disponibles
   • Datos explícitos (calificaciones, reseñas, me gusta) funcionan bien con filtrado colaborativo.
   • Datos implícitos (clics, tiempo invertido, compras) favorecen enfoques híbridos o de aprendizaje profundo.
3. Objetivos comerciales
   • Si su objetivo es la personalización a escala, los sistemas híbridos o de aprendizaje profundo son las mejores opciones.
   • Para experimentos rápidos, modelos más simples, como la factorización matricial, pueden ser suficientes.
4. Requisitos de escalabilidad
   • Las plataformas a gran escala (por ejemplo, eCommerce, streaming) a menudo requieren soluciones basadas en aprendizaje profundo o alojadas en la nube que puedan manejar millones de usuarios y elementos.
5. Conocimiento del dominio y recursos
   • Si su equipo carece de experiencia en aprendizaje automático, utilizar soluciones de proveedores (p.ej., Amazon Personalize, Google Recommendations IA) puede acelerar el despliegue.
   • Para dominios altamente especializados, puede ser necesario construir una solución interna.

Consejo: Comience por prototipar con bibliotecas listas para usar (LightFM, TensorFlow Recommenders) y evalúe el rendimiento con sus datos en vivo antes de escalar.

Descubre más de nuestros análisis comparativos e insights basados en datos en la Búsqueda de Google.

Añadir como fuente preferida

Costo de implementar sistemas de recomendación

Implementar un sistema de recomendación implica costos directos e indirectos:

1. Tiempo de desarrollo: Construir modelos personalizados requiere científicos de datos, ingenieros y equipos de infraestructura. El desarrollo puede variar desde unas pocas semanas (para prototipos) hasta varios meses (para sistemas de producción).
2. Costos de infraestructura:
   • En instalaciones: Requiere servidores GPU, bases de datos y mantenimiento continuo.
   • Basado en la nube: Los costos escalan con el tamaño de los datos y el uso de API (AWS, GCP, Azure).
3. Tarifas de proveedores: Las soluciones SaaS pueden cobrar según el número de llamadas a la API, el número de usuarios o la cantidad de datos procesados.
4. Costos continuos:
   • Reentrenamiento de modelos, monitoreo y actualizaciones.
   • Costos potenciales de integrar fuentes de datos externas para mejorar las recomendaciones.

Regla general: Las pequeñas empresas pueden comenzar con herramientas SaaS (

Implicaciones éticas de los sistemas de recomendación

Si bien los motores de recomendación aportan valor, plantean importantes consideraciones éticas y sociales:

• Sesgo y equidad: Los algoritmos pueden reforzar los sesgos existentes (por ejemplo, recomendar solo contenido popular, ignorando la diversidad).
• Preocupaciones de privacidad:
  • La recopilación y el análisis de datos de usuarios plantean preocupaciones sobre el consentimiento y la protección de datos.
  • El cumplimiento del RGPD, CCPA y otras leyes de privacidad de datos es crucial.
• Uso responsable de los datos:
  • Las políticas transparentes deben explicar cómo se recopilan, procesan y almacenan los datos del usuario.
  • La privacidad diferencial y las técnicas de anonimización pueden mitigar los riesgos.

Metodología de evaluación comparativa de motores de recomendación

En este estudio, nos centramos en construir y evaluar sistemas de recomendación basados en datos de retroalimentación implícita, específicamente interacciones de usuarios con productos. El conjunto de datos utilizado en nuestro análisis contiene tres elementos clave: visitorid, itemid y tipos de interacción como vista, agregar al carrito y transacción. Dado que los usuarios no calificaron explícitamente los elementos, sino que interactuaron a través de estos comportamientos, consideramos estos datos como retroalimentación implícita.

Probamos tres modelos de recomendación diferentes para evaluar su eficacia en el manejo de datos implícitos:

1. LightFM: Un modelo híbrido que utiliza tanto filtrado colaborativo como métodos basados en contenido. Aprovechamos la función de pérdida WARP (Weighted Approximate-Rank Pairwise) para entrenar el modelo. El objetivo fue predecir la probabilidad de que un usuario vea un producto analizando sus interacciones históricas con los elementos.
2. Cornac BPR (Bayesian Personalized Ranking): Un modelo basado en filtrado colaborativo diseñado para clasificar elementos según las interacciones del usuario. Utiliza retroalimentación implícita para aprender las preferencias de los usuarios optimizando la clasificación de elementos relevantes sobre los irrelevantes.
3. TensorFlow Recommenders: Un marco de trabajo basado en aprendizaje profundo que utiliza embeddings para representar tanto a los usuarios como a los elementos, capturando relaciones complejas entre ellos. El modelo se entrena en interacciones implícitas, con una tarea de recuperación para predecir los elementos más relevantes para cada usuario.

Los modelos fueron entrenados para predecir la probabilidad de que un usuario interactúe con un producto, centrándose específicamente en el evento de vista como comportamiento objetivo. Nuestro objetivo fue estimar con qué productos es más probable que los usuarios interactúen, según su comportamiento pasado. Después del entrenamiento, evaluamos los modelos utilizando datos de prueba para asegurar que pudieran generalizar bien a interacciones no vistas.

Evaluamos el rendimiento de los modelos basándonos en tres métricas comúnmente utilizadas en sistemas de recomendación:

• AUC (Área bajo la curva): Una métrica que evalúa qué tan bien el modelo clasifica los elementos relevantes por encima de los irrelevantes. Un puntaje AUC más cercano a 1 indica un mejor rendimiento de clasificación.
• Precision@10: Mide cuántos de los principales 10 elementos recomendados son realmente relevantes (es decir, con los que el usuario interactuó). Valores más altos indican una mayor precisión de recomendación.
• Recall@10: Mide cuántos elementos relevantes (de las interacciones del usuario) aparecen dentro de las principales 10 recomendaciones. Esta métrica es crucial para entender qué tan bien el modelo captura las preferencias del usuario.

Al comparar estas métricas entre los tres modelos, identificamos el modelo con mejor rendimiento en términos de clasificar elementos relevantes y recuperar esos elementos con precisión en las principales recomendaciones.

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Sistemas de recomendación: aplicaciones y ejemplos}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Recuperado el 19 de Mayo de 2026}
}

Enlaces de referencia

1.

Item-to-Item Recommenders | Gorse

2.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

3.

Netflix Research

4.

Discover Weekly: How Spotify is Changing the Way We Consume Music - Technology and Operations Management

5.

The AI behind unconnected content recommendations on Facebook and Instagram

6.

GitHub - xai-org/x-algorithm: Algorithm powering the For You feed on X · GitHub

7.

Health. Powered by Ada.

8.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

9.

Nostra from Glance, Gaming Recommendation at Scale with Google Cloud AI | Google Cloud Blog

Google Cloud

10.

Criteo Introduces Agentic Commerce Recommendation Service to Power AI Shopping Assistants | Criteo

Criteo

11.

Wizard Press Release: Marc Lore and Melissa Bridgeford’s Wizard Emerges from Stealth

12.

LinkedIn uses AI to improve feed relevance | Social Media Today

13.

Drifter: Efficient Online Feature Monitoring for Improved Data Integrity in Large-Scale Recommendation Systems

Cem Dilmegani

Analista principal

Síguenos

Cem ha sido el analista principal de AIMultiple desde 2017. AIMultiple informa a cientos de miles de empresas (según similarWeb), incluyendo el 55% de las empresas Fortune 500 cada mes. El trabajo de Cem ha sido citado por importantes publicaciones globales como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea. Puede consultar más empresas y recursos de renombre que citan a AIMultiple. A lo largo de su carrera, Cem se desempeñó como consultor, comprador y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización. Lideró la estrategia y adquisición de tecnología de una empresa de telecomunicaciones, reportando directamente al CEO. Asimismo, lideró el crecimiento comercial de la empresa de tecnología avanzada Hypatos, que alcanzó ingresos recurrentes anuales de siete cifras y una valoración de nueve cifras partiendo de cero en tan solo dos años. El trabajo de Cem en Hypatos fue reseñado por importantes publicaciones tecnológicas como TechCrunch y Business Insider. Cem participa regularmente como ponente en conferencias internacionales de tecnología. Se graduó en ingeniería informática por la Universidad de Bogazici y posee un MBA de la Columbia Business School.

Ver perfil completo

Investigado por

Sıla Ermut

Analista de la industria

Síguenos

Sıla Ermut es una analista de la industria en AIMultiple centrada en el marketing por correo electrónico y los vídeos de ventas. Anteriormente trabajó como reclutadora en empresas de gestión de proyectos y consultoría. Sıla tiene un máster en Psicología Social y una licenciatura en Relaciones Internacionales.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario