16 · Recomendadores híbridos y conscientes del contexto
Ninguna señal sola gana en todas partes. Los híbridos combinan puntuaciones basadas en contenido y colaborativas para que un ítem nuevo — invisible para el CF puro — aún se recomiende por sus características. El contexto (hora, lugar, dispositivo) afina el resultado.
Los métodos basados en contenido conocen las características pero ignoran a la multitud; el filtrado colaborativo aprende de la multitud pero es ciego a los ítems nuevos. Un híbrido combina sus puntuaciones — ponderado, por conmutación o por combinación de características — para que cada uno cubra el punto ciego del otro, y un ítem nuevo que el CF puro puntúa en cero aún emerge por su señal de contenido.
Sin esto:
Despliega filtrado colaborativo puro y cada ítem nuevo nace muerto — no tiene interacciones, puntúa cero en todas partes y nunca recibe las impresiones que necesita para llegar a ganar alguna. El catálogo se osifica en torno a ítems viejos y populares.
A estas alturas tienes dos motores complementarios. La puntuación basada en contenido (Capítulo 2) compara las características de un ítem — género, etiquetas, embeddings de texto — con el perfil de gustos del usuario; funciona desde el día uno para cualquier ítem que tenga características, incluso uno que nadie ha tocado. El filtrado colaborativo (Capítulos 3–4) aprende de las interacciones de la multitud; captura patrones de gusto sutiles que ninguna lista de características codifica — pero está mudo ante ítems fríos.
Un recomendador híbrido los combina para que cada uno cubra la debilidad del otro. Tres estrategias clásicas:
- Ponderado: computa ambas puntuaciones, normaliza y mezcla
score = α·CF + (1-α)·contenido. Simple y potente. - Por conmutación: elige un método según la situación — usa CF cuando el ítem tiene suficientes interacciones, recurre a contenido para ítems fríos.
- Combinación / aumento de características: alimenta las características de contenido dentro del modelo colaborativo (lo que hace LightFM) para que un solo modelo use ambas.
La victoria estelar es el cold-start. El CF puro puntúa un ítem nuevo en 0 para todos (sin interacciones → sin señal latente). Pero ese ítem aún tiene características, así que su puntuación de contenido es distinta de cero — y un híbrido ponderado lo lleva a las recomendaciones por la señal de contenido sola, justo cuando el CF es inútil. La celda de abajo lo demuestra directamente: un ítem recién llegado que el CF ordena al final es rescatado por el híbrido.
Python (in browser)
Híbrido ponderado = α·CF + (1-α)·contenido. Un ítem nuevo que el CF puro entierra en último lugar (24/24) sube muy arriba en el ranking solo por sus características de contenido — el rescate del cold-start.
Python runs entirely in your browser via Pyodide (~6 MB on first Run, cached after).
Más allá de la mezcla, los sistemas reales son conscientes del contexto: el mismo usuario quiere cosas distintas en momentos distintos. Un recomendador puede condicionar sobre el contexto — hora del día, día de la semana, ubicación, dispositivo, sesión actual — para que mañana vs. noche, entre semana vs. fin de semana, o móvil vs. TV reciban cada uno un ranking afinado. La versión más simple multiplica una puntuación base por un sesgo de contexto aprendido; las más ricas (Máquinas de Factorización, bandidos contextuales) tratan el contexto como características extra en el modelo. La celda de abajo muestra el re-pesado contextual más simple: las mismas puntuaciones base producen distintas mejores opciones al aplicar un impulso por hora del día.
Python (in browser)
Re-pesado consciente del contexto: las puntuaciones base de un usuario por un sesgo de contexto según la hora producen distintas mejores opciones de mañana vs. noche.
Python runs entirely in your browser via Pyodide (~6 MB on first Run, cached after).
Un ítem nuevo con cero interacciones obtiene una puntuación de filtrado colaborativo de 0 para cada usuario. ¿Cómo lo recomienda aún un híbrido ponderado?
- Los híbridos combinan puntuaciones basadas en contenido y colaborativas — ponderado, por conmutación o combinación de características — para que cada uno cubra el punto ciego del otro.
- La victoria estelar es el cold-start: un ítem que el CF puntúa 0 aún emerge por sus características de contenido en una mezcla ponderada.
- El recsys consciente del contexto condiciona el ranking sobre hora/ubicación/dispositivo, así el feed de un usuario difiere según la situación.
Netflix y Spotify ejecutan ensambles híbridos; YouTube y las apps de noticias son muy conscientes del contexto (hora, sesión, dispositivo mueven el feed principal).
Si lo quitas: El CF puro deja invisible cada ítem nuevo e ignora que el mismo usuario quiere cosas distintas a las 8am y a las 11pm — ambos hunden el engagement del mundo real.