Vivimos en un mundo digital en el que la cantidad de datos ha crecido de forma exponencial en los últimos años. Cada vez más necesitamos que la información que llega a los usuarios haya pasado por un proceso de filtrado que la haga valiosa para ellos y consiga así mejorar su experiencia de usuario mediante una personalización de los contenidos. El mundo de contenidos audiovisuales en streaming, la venta de productos on-line u otros sectores deben emplear técnicas que consigan realizar esta personalización mediante recomendaciones basadas en contenido, filtrado colaborativo basado en la interactuación de otros usuarios o enfoques que combinen ambas técnicas. En este breve artículo comprenderemos mejor estas técnicas e introduciremos Shock, una librería de Python capaz de construir sistemas de recomendación basados en el filtrado colaborativo.
TIPOS DE SISTEMAS DE RECOMENDACIÓN
Existen, como ya hemos comentado, distintos enfoques para crear un sistema de recomendación. Podemos encontrar sistemas basados en contenido, sistemas colaborativos o sistemas híbridos que utilizan una mezcla de ambos enfoques.
Basados en contenido: recomiendan objetos; productos, películas, and so on, basados en el propio contenido de estos como tipo de producto, etiquetas, palabras clave u otras características. Estos sistemas utilizan la información del propio usuario recomendando objetos o ítems similares a aquellos que el usuario ha mostrado interés en el pasado.
Filtrado Colaborativo: este enfoque se basa en aquellos ítems que o bien otros usuarios con gustos similares han puntuado favorablemente o realiza una recomendación de objetos que son parecidos a los que el usuario ha calificado positivamente.
Basados en Contexto: son aquellos sistemas de recomendación que utilizan el contexto en el que está el usuario basándose en su ubicación geográfica, la hora, su franja de edad, and so on.
Híbridos: son sistemas que combinan algunas de los enfoques anteriores, de esta manera mejoran las recomendaciones personalizando aún más los contenidos.
