Optimización de sistemas recomendadores para la personalización de la experiencia de visualización de películas

Abstract

En la actualidad, muchas empresas han adoptado sistemas recomendadores basados en plataformas digitales para aprovechar la amplia cantidad de datos generados por la interacción en línea. Estos datos ofrecen una valiosa oportunidad para mejorar constantemente la personalización de las recomendaciones y los servicios ofrecidos. Como resultado, los sistemas recomendadores desempeñan un papel fundamental al facilitar a los usuarios el descubrimiento de nuevos productos, servicios o contenido relevante, mejorando así su experiencia y satisfacción.

Este proyecto tiene como objetivo comparar y evaluar las diversas técnicas y algoritmos de recomendación disponibles en la actualidad. Para lograrlo, se realiza un análisis exhaustivo de técnicas como el enfoque basado en contenido, el filtrado colaborativo, las técnicas de factorización de matrices y algunas técnicas de Deep Learning. Sin embargo, este trabajo va más allá de un análisis teórico de los modelos existentes, ya que se lleva a cabo la tarea de desarrollar los algoritmos desde cero. Este proceso implica la recolección y el preprocesamiento de datos, así como la construcción y evaluación de los modelos.

A través de la implementación de estos algoritmos, se busca identificar el mejor modelo de recomendación. Para ello, se establecen métricas offline que permiten medir y comparar el rendimiento de los diferentes modelos. Además, se realiza una simulación en un entorno de producción en vivo utilizando el framework Dash. Esta simulación demuestra cómo el sistema de recomendación puede operar de manera interactiva y en tiempo real, dado que los usuarios tienen la posibilidad de recibir recomendaciones personalizadas y relevantes mientras interactúan con la interfaz del sistema.

En resumen, este trabajo explora y compara las técnicas existentes en los sistemas recomendadores con el propósito de desarrollar un recomendador personalizado y llevarlo a un entorno de producción en vivo de manera que se demuestra la aplicabilidad práctica y la importancia de estos sistemas en la mejora de la experiencia del usuario.

Currently, many companies have adopted recommender systems based on digital platforms to take advantage of the vast amount of data generated by online interactions. This data provides a valuable opportunity to continuously improve the personalization of recommendations and services offered. As a result, recommender systems play a crucial role in facilitating users' discovery of new products, services, or relevant content, thereby enhancing their experience and satisfaction.

This project aims to compare and evaluate various recommendation techniques and algorithms available today. To achieve this, a comprehensive analysis is conducted on techniques such as content-based approaches, collaborative filtering, matrix factorization techniques, and some deep learning techniques. However, this work goes beyond a theoretical analysis of existing models as it involves the task of developing the algorithms from scratch. This process entails data collection and preprocessing, as well as model construction and evaluation.

Through the implementation of these algorithms, the goal is to identify the best recommendation model. To do so, offline metrics are established that allow measuring and comparing the performance of different models. Additionally, a simulation is performed in a live production environment using the Dash framework. This simulation demonstrates how the recommender system can operate interactively and in real-time, as users have the ability to receive personalized and relevant recommendations while interacting with the system interface.

In summary, this work explores and compares existing techniques in recommender systems with the purpose of developing a personalized recommender and deploying it in a live production environment to demonstrate the practical applicability and importance of these systems in enhancing the user experience.