Estudio sobre un sistema de recomendación avanzado: aprendizaje colaborativo de métricas.

Abstract

Un Sistema de Recomendación es una herramienta tecnológica que permite a los usuarios seleccionar los elementos más adecuados entre una amplia variedad de opciones. A través del análisis de patrones y comportamientos, estos sistemas son capaces de detectar las necesidades y preferencias de cada cliente de forma individualizada y ofrecer recomendaciones que se ajusten a sus gustos y preferencias. Inicialmente, los Sistemas de Recomendación clásicos fundamentaban sus bases en preferencias anteriores del usuario o en gustos de usuarios similares. A medida que la incipiente sobrecarga de información ha ido creciendo, se han adoptado numerosos enfoques para solucionar los problemas asociados a estas técnicas y se han desarrollado una amplia variedad de algoritmos para mejorar la precisión y diversidad de las recomendaciones. En este escrito, se realiza una revisión exhaustiva de la literatura existente, con el fin de identificar los conceptos y las ideas clave. Asumiendo las limitaciones de los diseños clásicos, se propone una métrica de recomendación avanzada, Aprendizaje Métrico Colaborativo, que considere no solo la precisión, sino también la diversidad y novedad de las recomendaciones. Este algoritmo de recomendación mejorado es implementado y evaluado en el conjunto de datos MovieLens, demostrando su eficacia en la personalización de las recomendaciones y la mejora de la satisfacción del usuario.

A Recommender System is a technological tool that allows users to select the most appropriate items from a wide variety of options. Through the analysis of patterns and behaviors, these systems are able to detect the needs and preferences of each customer individually and offer recommendations that match their tastes and preferences. Initially, classical Recommender Systems were based on the user’s previous preferences or similar users’ likes. As the burgeoning information overload has grown, numerous approaches have been adopted to solve the problems associated with these techniques, and a wide variety of algorithms have been developed to improve the accuracy and diversity of recommendations. In this paper, a comprehensive review of the existing literature is conducted to identify key concepts and ideas. Assuming the limitations of classical designs, an advanced recommendation metric, Collaborative Metric Learning, is proposed to consider not only the accuracy, but also the diversity and novelty of recommendations. This improved recommendation algorithm is implemented and evaluated on MovieLens dataset, demonstrating its effectiveness in personalizing recommendations and improving user satisfaction.