Comparativa de algoritmos de sistemas de recomendación: un análisis basado en retos comunes

Abstract

Este Trabajo Fin de Máster aborda el análisis comparativo de diferentes algoritmos de sistemas de recomendación, con el objetivo de evaluar su eficacia frente a retos comunes como Next Best Item (NBI) y Cold Start (CS). Para ello, se han utilizado datasets abiertos representativos de cada problema: Amazon Electronics para el análisis secuencial relacionado con el problema de NBI y Movielens para escenarios de objetos nuevos. Se han implementado y evaluado distintos algoritmos, incluyendo enfoques clásicos como SVD, modelos secuenciales como LSTM y modelos híbridos como LightFM.

Los resultados muestran que los modelos secuenciales (LSTM) superan a SVD en la predicción de interacciones futuras, lo que confirma su idoneidad para capturar dinámicas contextuales en las sesiones de usuario. Sin embargo, SVD logró una mayor cobertura de catálogo, haciéndolo útil en contextos donde la exploración es la prioridad. Por su parte, LightFM se mostró especialmente eficaz frente al problema de Cold Start, al incorporar metadatos que le permiten recomendar ítems sin historial previo de interacciones. En conclusión, el estudio evidencia que no existe un algoritmo universalmente mejor para todos los retos, sino que la selección depende del contexto, los datos disponibles y los objetivos de la aplicación. Este trabajo aporta una visión práctica y crítica de las ventajas y limitaciones de cada enfoque, sirviendo como guía para la elección de algoritmos en escenarios reales.