Recommender Systems

Recommender Systems

1. ¿Qué son?

   • Los sistemas de recomendación son algoritmos de inteligencia artificial que analizan datos de usuarios para sugerir contenido, productos o servicios relevantes de manera personalizada. Utilizan técnicas de aprendizaje automático para predecir qué podría interesar a cada usuario específico.
     • ¿Cómo nacieron?
       • Orígenes (1990s)
         • Surgieron con el crecimiento de internet y la necesidad de filtrar información Uno de los primeros ejemplos fue GroupLens en 1994, que recomendaba artículos de noticias Amazon implementó "filtrado colaborativo" en 1998
       • Evolución clave
         • 2000s
           • Explosión con redes sociales y big data Actualidad: Integración con inteligencia artificial avanzada, procesamiento de lenguaje natural y aprendizaje profundo
         • 2010s
           • Netflix lanzó su famoso "Netflix Prize" (2006-2009), ofreciendo $1 millón por mejorar su algoritmo de recomendación en un 10%

2. ¿Para qué se utilizan?

   • Entretenimiento y Media: Netflix y Disney+ recomiendan películas y series basándose en tu historial de visualización Spotify sugiere música nueva según tus gustos y hábitos de escucha YouTube personaliza la página de inicio con videos relevantes

3. Tipos de sistemas de recomendación

   • 1. Filtrado colaborativo
     • Basado en las preferencias de otros usuarios con gustos similares. Ejemplo: "Usuarios que vieron esto también vieron..." Técnicas: matriz usuario-producto, vecinos más cercanos, factorización de matrices.
   • 2. Filtrado basado en contenido
     • Recomendaciones según las características del ítem (título, género, descripción). Ejemplo: Si te gustan las películas de ciencia ficción, se te recomienda otra similar. Se usan modelos de texto, TF-IDF, embeddings, etc.
   • 3. Sistemas híbridos
     • Combinan colaborativo + contenido + contexto. Netflix y Spotify usan modelos híbridos avanzados.
   • 4. Basados en conocimiento
     • Basados en reglas, conocimiento experto o contexto del usuario (por ejemplo, "recomendar solo hoteles con accesibilidad para silla de ruedas").

4. Ventajas

   • Mejora la experiencia del usuario.
     • Aumenta el engagement y las conversiones.
       • Reduce la sobrecarga de información.
         • Personaliza productos o servicios de forma automática.
   • Desventajas
     • 1.Privacidad y recopilación de datos
       • 2.Falta de diversidad / burbujas de filtro
         • 3.Bias y discriminación algorítmica
           • Si los datos de entrenamiento contienen sesgos (por ejemplo, género, raza, nivel económico), el sistema puede reproducir o incluso amplificarlos. Puede limitar oportunidades o visibilidad a ciertos grupos o contenidos
         • Tienden a mostrar solo lo que el sistema cree que te gusta. Esto puede crear una cámara de eco o burbuja de filtros, donde el usuario no ve cosas nuevas o diferentes.
       • Necesitan grandes cantidades de datos personales (clics, historial, ubicación, gustos). Pueden generar preocupaciones sobre vigilancia o uso indebido de datos. En algunos casos, los usuarios no son conscientes de qué datos se recopilan.

5. Ejemplos

   • Netflix
     • Utiliza sistemas de recomendación para sugerir películas y series basadas en el historial de visualización, calificaciones y preferencias de los usuarios.
     • YouTube
       • Sugiere videos basados en el historial de visualización, suscripciones y contenido popular. Comercio electrónico:
       • Mercado Libre
         • Spotify/Apple Music
           • Recomiendan canciones y listas de reproducción basadas en los hábitos de escucha, artistas favoritos y canciones similares.
           • Amazon
             • Recomienda productos basados en el historial de compras, artículos vistos y productos similares.
             • Etsy
               • Muestra productos populares y recomendaciones basadas en compras previas y artículos guardados.
         • Sugiere productos basados en búsquedas, compras anteriores y productos de vendedores similares.