Descripción general de las recomendaciones

Los sistemas de recomendación son una de las aplicaciones más exitosas y generalizadas de aprendizaje automático para empresas. Puedes usar un sistema de recomendación para ayudar a los usuarios a encontrar contenido atractivo en un gran cuerpo de contenido. Por ejemplo, Google Play Store ofrece millones de apps, mientras que YouTube proporciona miles de millones de videos, y cada día se agregan más apps y videos. Los usuarios pueden utilizar la búsqueda para encontrar contenido nuevo, pero eso está limitado por los términos de búsqueda que utilizan. Un sistema de recomendación puede sugerir contenido que los usuarios podrían no haber considerado buscar por su cuenta. Para obtener más información, consulta Descripción general de los sistemas de recomendación.

Por lo general, los algoritmos de aprendizaje automático en los sistemas de recomendación se clasifican en las siguientes categorías:

  • Filtrado basado en el contenido: usa la similitud entre elementos para proporcionar recomendaciones. Por ejemplo, si un usuario mira dos videos tiernos de gatos, el sistema de recomendación puede recomendar más videos tiernos de animales a ese usuario.
  • Filtrado colaborativo: Usa similitudes entre usuarios (según las consultas de los usuarios) para proporcionar recomendaciones. Por ejemplo, si el usuario A busca características similares al usuario B y al usuario B le gusta el video 1, el sistema de recomendación puede recomendar el video 1 al usuario A, incluso si el usuario A no miró ningún video similar al video 1.

Los modelos de factorización de matrices se usan ampliamente como un método de filtrado colaborativo para los sistemas de recomendación. Puedes usar un modelo de factorización de matrices con la función ML.RECOMMEND para hacer recomendaciones. Para obtener más información, consulta Factorización de matrices.

Para extender un sistema de recomendación basado en el filtrado colaborativo más allá de lo posible con un modelo de factorización de matrices, puedes usar modelos de red neuronal profunda (DNN) y algoritmo de amplitud y profundidad con la función ML.PREDICT para hacer recomendaciones. Estos modelos pueden incorporar funciones de consultas y elementos para mejorar la relevancia de las recomendaciones. Para obtener más información, consulta los siguientes recursos: