Sistemas de Recomendación
Predecir qué productos, contenido o acciones le interesarán a cada usuario específico.
ÁreaAprendizaje No Supervisado
DificultadAvanzado
Tiempo de aprendizaje4-6 semanas
¿Qué puedes lograr dominando este tema?
- Construir un recomendador basado en filtrado colaborativo o contenido
- Manejar el problema del 'arranque en frío' para usuarios o productos nuevos
- Evaluar recomendadores con métricas como precisión@k o NDCG
Descripción
Los sistemas de recomendación predicen qué le interesará a un usuario específico, ya sea analizando qué productos consumen usuarios similares (filtrado colaborativo), las características del contenido (basado en contenido), o combinando ambos enfoques (híbridos). Son el motor detrás de Netflix, Amazon y Spotify.
Casos de uso
- Recomendación de productos en e-commerce
- Sugerencia de contenido en plataformas de streaming
- Recomendación de conexiones o contenido en redes sociales
- Personalización de resultados de búsqueda
Ejemplo práctico
from sklearn.metrics.pairwise import cosine_similarity
similitud = cosine_similarity(matriz_usuario_item)
usuarios_similares = similitud[usuario_id].argsort()[-6:-1]Ventajas y limitaciones
Ventajas
- Impacto de negocio directo y medible (más ventas, más engagement)
- Se puede empezar simple (basado en contenido) y escalar a enfoques híbridos
- Ecosistema maduro de librerías y técnicas bien documentadas
Limitaciones
- El arranque en frío (usuarios/productos nuevos) es un problema persistente
- Puede reforzar burbujas de filtro si no se diseña con diversidad en mente
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- Surprise
- TensorFlow Recommenders
- LightFM