Fundamentos de los Sistemas de Recomendación: Principios, Algoritmos y Arquitecturas Modernas de los Sistemas de Recomendación

Fundamentos de los Sistemas de Recomendación: Principios, Algoritmos y Arquitecturas Modernas de los Sistemas de Recomendación

Author: Ryan Mercer

Description: Muchos sistemas de recomendación fracasan estrepitosamente en producción. El problema no suele estar en el algoritmo, sino en la arquitectura de datos que lo soporta: cómo se capturan las interacciones, cómo se generan candidatos en milisegundos y cómo se equilibran la precisión con la latencia. Fundamentos de los Sistemas de Recomendación es la guía que necesitas para dominar el diseño completo de estos sistemas, desde los fundamentos hasta la implementación en entornos reales. Escrito por Ryan Mercer, este libro te lleva más allá de los tutoriales aislados y te muestra cómo se conectan cada pieza del rompecabezas: datos, métricas, algoritmos clásicos, pipelines modernos con deep learning y la integración final en producción. • Entenderás por qué el filtrado colaborativo sigue siendo relevante y cuándo combinarlo con métodos basados en contenido. • Aprenderás a diseñar pipelines multi-etapa que escalan, separando la generación de candidatos del ranking y la ingeniería de características. • Descubrirás cómo los embeddings y modelos como Two-Tower o Wide & Deep resuelven problemas reales sin necesidad de matemáticas densas. Este libro está pensado para ingenieros de software, científicos de datos y estudiantes avanzados que ya conocen los fundamentos de machine learning y quieren dar el salto a proyectos de recomendación industriales. No encontrarás código de frameworks concretos ni derivaciones académicas; en su lugar, obtendrás criterios de diseño, compensaciones arquitectónicas y ejemplos basados en casos reales de Netflix, Amazon y Spotify. La obra se organiza en cinco partes que siguen el ciclo de vida natural de un sistema: comienza con los conceptos básicos y la evaluación, pasa por los métodos clásicos, luego desglosa los pipelines modernos (candidatos, ranking, features), introduce el deep learning de forma conceptual y culmina con el diseño extremo a extremo y los desafíos de producción como el cold start, la escalabilidad y los sesgos. Si tu objetivo es dejar de ver los sistemas de recomendación como cajas negras y empezar a construirlos con fundamento sólido, este libro es tu hoja de ruta.

AI summary: Este libro cubre los fundamentos y arquitecturas modernas de los sistemas de recomendación. Está organizado en cinco partes: introducción, métodos clásicos (filtrado colaborativo, factorización), pipelines modernos (generación de candidatos, ranking, features), introducción al deep learning (embeddings, Two-Tower, Wide & Deep) y diseño de extremo a extremo. Dirigido a ingenieros y científicos de datos que desean construir sistemas de recomendación escalables.

Ideal para

Ingenieros de software, científicos de datos y estudiantes avanzados interesados en sistemas de recomendación prácticos y escalables.

Perfil del lector

Un ingeniero de software con experiencia en machine learning que busca entender cómo construir y desplegar sistemas de recomendación industriales.

Intención de búsqueda

Busca una guía completa y práctica para aprender a diseñar e implementar sistemas de recomendación modernos en producción.

Enfoque único

A diferencia de otros libros, este enfoque se centra en el diseño de sistemas completos y arquitecturas industriales, minimizando las matemáticas y priorizando la intuición práctica y las decisiones de ingeniería.

Tipo de contenido

technical reference

Resumen rápido

• El libro explica el pipeline completo de un sistema de recomendación, desde la recolección de datos hasta el despliegue en producción.
• Cubre tanto métodos clásicos como filtrado colaborativo y factorización de matrices, como técnicas modernas con deep learning como Two-Tower y Wide & Deep.
• Incluye estrategias para manejar el cold start, la escalabilidad y los sesgos algorítmicos.
• Está organizado en cinco partes que siguen el ciclo de vida natural de un sistema de recomendación.

Key topics: sistemas de recomendación, filtrado colaborativo, factorización de matrices, embeddings, deep learning, pipeline multi-etapa, generación de candidatos, ranking, ingeniería de características, cold start

Entities: Ryan Mercer, Netflix, Amazon, Spotify, filtrado colaborativo, factorización de matrices, embeddings, Two-Tower, Wide & Deep, Transformers, cold start, sesgos algorítmicos

Necesidades cubiertas

• Diseñar sistemas de recomendación escalables y de baja latencia
• Equilibrar precisión y diversidad en las recomendaciones
• Manejar el cold start para nuevos usuarios e ítems
• Integrar múltiples fuentes de datos en un pipeline coherente
• Seleccionar y combinar algoritmos clásicos y modernos

Léelo si

• Ingenieros de software que implementan sistemas de recomendación en producción
• Científicos de datos que buscan entender la arquitectura más allá de los modelos
• Estudiantes de ciencias de la computación con conocimientos de machine learning
• Profesionales de datos que trabajan en personalización y sistemas de recomendación

Puede no encajar si

• Lectores que buscan una introducción matemática profunda con derivaciones
• Principiantes absolutos en machine learning
• Personas que prefieren tutoriales de código específico de frameworks
• Aquellos interesados solo en teoría sin aplicación práctica

Índice

1. Introducción (introduction)
2. Introducción a los Sistemas de Recomendación (part)
3. ¿Qué es un Sistema de Recomendación? (chapter)
4. ¿Qué es un sistema de recomendación? (section)
5. Diferencias entre búsqueda y recomendación (section)
6. Escenarios comunes de recomendación (section)
7. El pipeline de un sistema de recomendación (section)
8. Visión general del libro (section)
9. Datos en los Sistemas de Recomendación (chapter)
10. Usuarios, elementos e interacciones (section)
11. Retroalimentación explícita e implícita (section)
12. Contexto y sesiones (section)
13. Perfiles de usuarios y elementos (section)
14. Desafíos de los datos en recomendación (section)
15. Evaluación de los Sistemas de Recomendación (chapter)
16. Objetivos de negocio y objetivos de aprendizaje automático (section)
17. Métricas de evaluación offline (section)
18. Evaluación online y pruebas A/B (section)
19. Diversidad, novedad y cobertura (section)
20. Selección de las métricas adecuadas (section)
21. Métodos Clásicos de Recomendación (part)
22. Recomendación Basada en Contenido (chapter)
23. Representación de los elementos (section)
24. Perfiles de preferencias de los usuarios (section)
25. Medidas de similitud (section)
26. Ventajas y limitaciones (section)
27. Aplicaciones en el mundo real (section)
28. Filtrado Colaborativo (chapter)
29. Filtrado colaborativo basado en usuarios (section)
30. Filtrado colaborativo basado en elementos (section)
31. Métodos de vecindad (section)
32. Cálculo de similitudes (section)
33. Desafíos y limitaciones (section)
34. Factorización de Matrices (chapter)
35. La matriz usuario–elemento (section)
36. Factores latentes (section)
37. Modelos de factorización de matrices (section)
38. Ventajas y limitaciones (section)
39. De la factorización de matrices a los embeddings (section)
40. Sistemas de Recomendación Híbridos (chapter)
41. ¿Por qué utilizar modelos híbridos? (section)
42. Combinación de múltiples fuentes de información (section)
43. Sistemas híbridos basados en reglas (section)
44. Sistemas híbridos basados en aprendizaje automático (section)
45. Casos de uso en la industria (section)
46. Pipelines Modernos de Recomendación (part)
47. Generación de Candidatos (chapter)
48. El papel de la generación de candidatos (section)
49. Estrategias de recuperación (section)
50. Recuperación basada en popularidad (section)
51. Recuperación basada en embeddings (section)
52. Pipelines de recomendación de múltiples etapas (section)
53. Sistemas de Ranking (chapter)
54. El papel del ranking (section)
55. Características utilizadas para el ranking (section)
56. Introducción a Learning to Rank (section)
57. Ranking con múltiples objetivos (section)
58. Re-ranking (section)
59. Ingeniería de Características (chapter)
60. Características de los usuarios (section)
61. Características de los elementos (section)
62. Características contextuales (section)
63. Características cruzadas (section)
64. Diseño de un pipeline de características (section)
65. Introducción al Deep Learning para Recomendación (part)
66. Embeddings para Sistemas de Recomendación (chapter)
67. ¿Por qué son importantes los embeddings? (section)
68. Embeddings de usuarios (section)
69. Embeddings de elementos (section)
70. Similitud en el espacio de embeddings (section)
71. Embeddings para recuperación (section)
72. Modelos de Deep Learning para Recomendación (chapter)
73. ¿Por qué Deep Learning? (section)
74. Modelos Two-Tower (section)
75. Wide & Deep (section)
76. Recomendación secuencial (section)
77. Recomendación basada en Transformers (visión general) (section)
78. Diseño de un Sistema de Recomendación Completo (part)
79. Diseño de un Sistema de Recomendación de Extremo a Extremo (chapter)
80. Recolección de datos (section)

Preguntas frecuentes