2 · La matriz de valoraciones y tipos de feedback
Las valoraciones explícitas son oro pero escasas; las señales implícitas (clics, reproducciones) son abundantes pero ambiguas. Cómo modelas el feedback cambia todo lo que sigue.
El feedback viene en dos sabores: explícito (una valoración deliberada — precisa pero escasa) e implícito (una señal de comportamiento como un clic o reproducción — abundante pero ruidosa, sin negativos verdaderos). El tipo dicta el modelo y la métrica.
Sin esto:
Trata las señales implícitas como si fueran valoraciones (un no-clic = 1 estrella) y castigarás ítems que el usuario simplemente nunca vio — un error clásico y costoso.
La matriz de interacción R puede contener dos tipos muy distintos de señal, y confundirlos es el error #1 de principiantes.
El feedback explícito es un juicio deliberado: una valoración 1–5, un me-gusta/no-me-gusta, una reseña. Es preciso (el usuario te dijo exactamente cómo se siente) y con signo (una valoración baja es desagrado genuino). Pero es escaso — la mayoría valora casi nada — y sesgado (la gente valora aquello que le genera emociones fuertes).
El feedback implícito es comportamiento que observas: un clic, una reproducción, tiempo de visionado, una compra, una permanencia. Es abundante (cada interacción es señal) pero ambiguo: una reproducción puede significar amor o un toque accidental, y — crucialmente — una interacción faltante no es un negativo. El usuario puede que deteste ese ítem… o que simplemente nunca lo haya visto. Los datos implícitos no tienen negativos verdaderos, solo positivos y desconocidos.
Esta asimetría lo cambia todo:
- Explícito → predecir el valor de la valoración (un problema tipo regresión); evaluar con RMSE.
- Implícito → predecir el ranking de ítems con los que el usuario probablemente interactúe (observado = positivo, no observado = negativo débil/desconocido); evaluar con métricas de ranking (Capítulo 5) y pérdidas especiales como BPR (Capítulo 6).
Abajo construimos las mismas interacciones como una matriz explícita y una implícita (binarizada), y medimos la dispersión — la fracción de entradas faltantes — que en sistemas reales es rutinariamente 99%+.
Python (in browser)
Feedback explícito vs implícito + la dispersión de la matriz. Los 0 en datos implícitos son desconocidos, no desagrados — la trampa de modelado más común.
Python runs entirely in your browser via Pyodide (~6 MB on first Run, cached after).
En datos de feedback implícito (clics, reproducciones), ¿qué significa una interacción FALTANTE (un 0)?
- El feedback explícito (valoraciones) es preciso, con signo, pero escaso → predecir el valor, evaluar con RMSE.
- El feedback implícito (clics/reproducciones) es abundante pero NO tiene negativos verdaderos → predecir ranking, usar métricas/pérdidas de ranking.
- Las matrices de interacción reales son >99% dispersas — la dificultad central que los recomendadores deben superar.
Spotify/YouTube usan reproducciones implícitas; los datasets de estrellas MovieLens/Netflix son explícitos. La elección dirige todo el stack de modelo y métrica.
Si lo quitas: Confúndelos y optimizarás el objetivo equivocado — p. ej. RMSE sobre datos de clic — y desplegarás un recomendador que ordena mal.