Puntos clave
- Un sistema de recomendación es el que, mirando el historial, elige en orden lo que probablemente te va a gustar después.
- Hay dos caminos principales: mirar el parecido en el contenido de los productos y mirar los patrones de gusto parecido en el historial de muchas personas.
- No se usan solo estrellas y "me gusta". Comportamientos como si lo viste entero o lo saltaste a los pocos segundos pesan mucho más.
- Con un usuario nuevo y sin historial, la recomendación no funciona bien, y un producto nuevo cuesta que salga por el método de «personas parecidas». A esto se le llama problema de arranque en frío.
- No basta con acertar. Si siempre aparece lo mismo, uno queda encerrado en un corral estrecho.
La analogía
Después de ir varios meses al mismo café del barrio, pedir se vuelve más corto. Ya se acuerdan de lo que siempre tomas y te lo ofrecen antes de que hables, y si llega un grano nuevo que parece de tu gusto, te lo sugieren. Este trabajo de mirar el historial y elegir lo que te puede gustar después es un sistema de recomendación.
Hay dos maneras de sugerir. Una mira el parecido entre lo que ya tomaste: a quien siempre elige un grano tostado le sugieren un grano nuevo de sabor parecido. La otra mira el parecido entre las personas: si varios clientes habituales con tu mismo gusto disfrutaron un menú nuevo, te lo sugieren aunque todavía no lo hayas probado.
Frente a un cliente nuevo, los dos métodos se traban. Sin historial no hay nada de qué partir para adivinar. Por eso a un cliente nuevo se le ofrece primero lo que más se vende, o se le preguntan un par de gustos.
En detalle
El material no son las estrellas, son los comportamientos
Muy poca gente pone estrellas con constancia. Por eso las recomendaciones de hoy no se basan tanto en lo que la gente dejó a propósito, sino en el rastro que queda sin querer. Qué tocaste, cuánto tiempo te quedaste, si lo viste completo o lo saltaste a los tres segundos, si lo pusiste en el carrito y no lo compraste: todo eso.
La ventaja de este rastro es que hay una cantidad enorme; la desventaja es que su sentido es ambiguo. Que alguien se haya quedado mucho tiempo puede ser porque le interesó o porque le costó entender, y no se distingue solo con el registro; hasta un clic accidental cuenta como interés. Por eso cada señal se pesa distinto, y se cruzan varias a la vez.
Mirar el parecido en el contenido de los productos
Convertir en un paquete de números el género y autor de un libro, el ritmo y los instrumentos de una canción, o las palabras de la descripción de un producto, permite medir la distancia entre un producto y otro. Es el método de sugerir lo que está cerca de lo que ya te gustó.
Este método sirve de inmediato hasta con un producto recién llegado: aunque nadie lo haya comprado todavía, con solo la descripción ya se le puede asignar un lugar. Su punto débil es que siempre vuelve algo parecido. Si viste una película de terror, terminas viendo solo películas de terror.
Mirar el parecido entre las personas
Hay otro camino. Buscar personas cuyas elecciones se parecen mucho a las tuyas, y sugerirte lo que ellas disfrutaron y tú todavía no viste. No hace falta saber nada del contenido del producto: basta con el historial para que funcione.
La fuerza de este camino es que aparecen sorpresas. Cosas que no se parecen en nada por género ni descripción, pero que de forma extraña te quedan perfectas, salen de este método. Su costo es que necesita bastante historial acumulado, y genera un sesgo donde los productos populares, los que ya atraen a mucha gente, se siguen subiendo cada vez más arriba.
El servicio real filtra en dos etapas
En un catálogo con millones de productos no se le puede poner un puntaje a cada uno. Por eso primero se recorta con un método rápido y aproximado hasta unos pocos cientos de candidatos. Después, un modelo más fino ordena solo esos candidatos.
Al final, una capa de reglas hace un último ajuste: mezcla para que no salga seguido lo mismo, mete a propósito algo recién subido, quita lo que ya compraste. La lista que aparece en pantalla es el resultado de pasar por todas estas capas.
Cómo se sabe si acertó
Primero se aparta la parte más reciente del historial: se muestra solo el resto y se hace que el sistema adivine lo apartado. Luego se divide a los usuarios reales en dos grupos, se les muestra una recomendación distinta a cada uno y se comparan los resultados.
Pero ahí hay una trampa. Si solo se apunta a la tasa de clics, tienden a subir los títulos más llamativos. Por eso, además de si acertó, se mide qué tan variada es la lista, cuánto de nuevo hizo descubrir, y si el usuario siguió satisfecho después de un tiempo.
Con más precisión
Un sistema de recomendación convierte a usuarios y productos en paquetes de números, y trata el problema como calcular con un puntaje qué tan bien encajan entre sí. Al método que busca, en el historial de muchas personas, los patrones de lo que se eligió junto se le llama filtrado colaborativo. Puede buscar personas con gustos parecidos, o medir el parecido entre productos a partir del historial, como en «quienes compraron esto compraron también aquello». Al que usa el contenido del producto se le llama recomendación basada en contenido. Los servicios reales mezclan los dos, y le suman encima información de contexto como la hora del día o el dispositivo que se está usando.
También aquí la analogía tiene sus costuras. El dueño del café reconoce a la persona y le sugiere algo bueno, pero el sistema de recomendación no entiende el gusto. Solo busca patrones en los registros y les asigna una puntuación, así que hasta un clic hecho por error se cuela como rastro de interés. Y mientras el objetivo del dueño es que el cliente quede satisfecho, la recomendación de un servicio suele estar ajustada para subir el objetivo que ese servicio se propuso. Qué se elija como objetivo cambia por completo la lista que aparece en pantalla.
Pruébalo
- Embedding Projector (explora el espacio de embeddings) ailearn.space Puedes girar con las manos un espacio donde lo parecido queda agrupado. Se siente que recomendar es, en el fondo, buscar lo más cercano
- Semantris (IA de asociación de palabras) ailearn.space La máquina elige la palabra que mejor combina con la que escribiste. Un juego para sentir qué significa puntuar qué tan bien combinan dos cosas
Malentendidos comunes
Es fácil pensar que la recomendación lee la mente, pero en realidad busca patrones en lo parecido a tu historial y en el historial de personas que se comportaron de forma parecida a ti, y les asigna una puntuación.
Es fácil creer que acierta tanto porque escuchó la conversación, pero en realidad, solo con el historial de búsquedas y clics ya acierta sorprendentemente bien.
Es fácil pensar que cuanto mejor acierta, mejor es la recomendación, pero en realidad, si solo se sigue mostrando lo que ya te gusta, se pierde la oportunidad de descubrir algo nuevo.
Resumen en una línea
Un sistema de recomendación busca, en el historial de comportamiento pasado, productos parecidos y personas parecidas, y ofrece en orden lo que probablemente te va a gustar después.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización 2026-10-17