Ingeniería de Modelos de Recomendación: Deep Learning, Ranking y Técnicas Modernas de Recomendación

Ingeniería de Modelos de Recomendación: Deep Learning, Ranking y Técnicas Modernas de Recomendación

Author: Ryan Mercer

Description: ¿Por qué tantos sistemas de recomendación prometedores fracasan al llegar a producción? La respuesta no está en los algoritmos más sofisticados, sino en las decisiones de ingeniería que conectan los datos con los objetivos de negocio. Este libro aborda precisamente ese punto ciego: cómo diseñar, entrenar y evaluar modelos de recomendación modernos que realmente funcionen en el mundo real. Ingeniería de Modelos de Recomendación: Deep Learning, Ranking y Técnicas Modernas de Recomendación es una guía técnica que recorre todo el pipeline de modelado, desde la recuperación de candidatos hasta el re-ranking final. Escrito por Ryan Mercer, está pensado para profesionales que ya dominan los fundamentos del machine learning y buscan profundizar en arquitecturas de vanguardia como DLRM, SASRec, LightGCN o Transformers, siempre con un enfoque práctico y orientado a la ingeniería. El libro se organiza en siete partes que siguen el flujo lógico de un sistema real: • Fundamentos del modelado, datos y construcción de datasets con estrategias de muestreo negativo y manejo del desequilibrio. • Embeddings y modelos de dos torres para recuperación escalable, junto con técnicas de generación de candidatos desde múltiples fuentes. • Modelos de ranking: desde learning to rank pointwise/pairwise/listwise hasta DeepFM, DLRM, DIN, DIEN y mecanismos de atención. • Recomendación secuencial y basada en contexto, incluyendo SASRec, BERT4Rec y la integración de señales temporales y situacionales. • Técnicas avanzadas: aprendizaje multitarea con MMoE y PLE, optimización multiobjetivo, diversidad/exploración, y redes neuronales de grafos como LightGCN. • Entrenamiento, evaluación y optimización: funciones de pérdida, optimizadores, métricas offline vs. online, compresión de embeddings y reducción de latencia. • Diseño completo de un pipeline, modos de fallo comunes y tendencias futuras como modelos fundacionales y recomendación generativa. Este libro está dirigido a ingenieros de machine learning, científicos de datos y desarrolladores de sistemas de recomendación que quieran ir más allá de los tutoriales y entender los trade-offs reales: ¿cuándo usar un modelo de dos torres frente a uno basado en grafos? ¿cómo equilibrar precisión y coste computacional? ¿cómo evitar sesgos como el de popularidad o los ciclos de retroalimentación? Si tu trabajo consiste en construir o mejorar sistemas que personalicen la experiencia de miles o millones de usuarios, aquí encontrarás el conocimiento que necesitas para tomar decisiones informadas y diseñar modelos robustos, eficientes y alineados con los objetivos del negocio.

AI summary: Este libro cubre el pipeline completo de modelado de sistemas de recomendación modernos, desde la recuperación de candidatos con embeddings y modelos de dos torres hasta el ranking con deep learning y técnicas avanzadas como transformers y redes de grafos. Incluye entrenamiento, evaluación y optimización para producción, así como modos de fallo y tendencias futuras. Está dirigido a ingenieros de ML y científicos de datos que buscan una comprensión profunda y práctica del estado del arte.

Ideal para

Ingenieros de machine learning, científicos de datos y profesionales de sistemas de recomendación con experiencia práctica.

Perfil del lector

Profesional técnico con experiencia en ML que busca dominar las arquitecturas de vanguardia en recomendación y llevarlas a producción.

Intención de búsqueda

Encontrar una guía completa y práctica sobre el diseño e implementación de modelos de recomendación con deep learning y técnicas modernas de ranking.

Enfoque único

Se centra en las decisiones de ingeniería y trade-offs reales detrás de cada arquitectura, conectando los datos con los objetivos de negocio, en lugar de solo presentar modelos de forma aislada.

Tipo de contenido

guía técnica de ingeniería de modelos

Resumen rápido

• El libro aborda arquitecturas como DLRM, SASRec, LightGCN y DeepFM.
• Incluye estrategias de muestreo negativo y manejo del desequilibrio en datos de interacción.
• Cubre aprendizaje multitarea con MMoE y PLE para optimizar múltiples objetivos.
• Explica cómo evaluar modelos con métricas offline y online, y la brecha entre ambas.
• Ofrece técnicas de optimización como compresión de embeddings y reducción de latencia para producción.

Key topics: recuperación de candidatos, modelos de ranking, embeddings, aprendizaje multitarea, optimización multiobjetivo, recomendación secuencial, redes neuronales de grafos, transformers, evaluación de modelos, sesgos y modos de fallo

Entities: DLRM, SASRec, LightGCN, DeepFM, MMoE, PLE, BERT4Rec, DIN, DIEN, two-tower model, in-batch negative sampling, Pareto optimization

Necesidades cubiertas

• Diseñar un pipeline de recomendación completo desde cero
• Mejorar la precisión del ranking con deep learning
• Equilibrar múltiples objetivos de negocio como CTR y retención
• Evitar sesgos de popularidad y ciclos de retroalimentación
• Optimizar modelos para baja latencia en producción
• Evaluar modelos de forma realista para predecir impacto online

Léelo si

• Ingenieros de machine learning que trabajen en recomendación
• Científicos de datos en plataformas de contenido o e-commerce
• Desarrolladores de sistemas de personalización
• Estudiantes de posgrado en sistemas de recomendación
• Profesionales que quieran actualizarse en técnicas modernas de ranking

Puede no encajar si

• Principiantes sin experiencia en machine learning
• Personas que buscan una guía ligera o no técnica
• Quienes esperen solo teoría sin implementaciones prácticas

Índice

1. Introducción (introduction)
2. Fundamentos del Modelado de Sistemas de Recomendación (part)
3. La Arquitectura Moderna de Modelado para Recomendación (chapter)
4. Recuperación, ranking y re-ranking (section)
5. De los algoritmos tradicionales a los modelos aprendidos (section)
6. La recomendación como problema de predicción (section)
7. Flujos de entrenamiento e inferencia (section)
8. Selección de la arquitectura de modelo adecuada (section)
9. Datos y Objetivos de Aprendizaje (chapter)
10. Señales de usuarios, elementos y contexto (section)
11. Retroalimentación explícita e implícita (section)
12. Aprendizaje pointwise, pairwise y listwise (section)
13. Construcción de etiquetas de entrenamiento (section)
14. Fugas de datos y sesgos de entrenamiento (section)
15. Construcción de Conjuntos de Datos de Entrenamiento (chapter)
16. Ejemplos positivos y negativos (section)
17. Estrategias de muestreo negativo (section)
18. Construcción de sesiones y secuencias de comportamiento (section)
19. División de los conjuntos de datos (section)
20. Manejo del desequilibrio en los datos de interacción (section)
21. Embeddings y Modelos de Recuperación (part)
22. Embeddings en los Sistemas de Recomendación (chapter)
23. De los factores latentes a los embeddings neuronales (section)
24. Embeddings de usuarios y elementos (section)
25. Representación de características mediante embeddings (section)
26. Entrenamiento de embeddings (section)
27. Evaluación de la calidad de los embeddings (section)
28. Modelos de Dos Torres (chapter)
29. Arquitectura de dos torres (section)
30. Diseño de la torre de usuario (section)
31. Diseño de la torre de elementos (section)
32. Entrenamiento con negativos dentro del lote (section)
33. Uso de modelos de dos torres para recuperación (section)
34. Modelos de Generación de Candidatos (chapter)
35. Generación moderna de candidatos (section)
36. Recuperación desde múltiples fuentes (section)
37. Recuperación basada en secuencias de comportamiento (section)
38. Recuperación basada en grafos (section)
39. Combinación de candidatos de múltiples fuentes (section)
40. Modelos de Ranking (part)
41. Aprendizaje para Ranking (chapter)
42. Fundamentos de Learning to Rank (section)
43. Aprendizaje pointwise (section)
44. Aprendizaje pairwise (section)
45. Aprendizaje listwise (section)
46. Evaluación de modelos de ranking (section)
47. Modelos Clásicos de Ranking (chapter)
48. Wide & Deep (section)
49. Máquinas de factorización (section)
50. DeepFM (section)
51. Deep & Cross Network (section)
52. Cuándo utilizar cada familia de modelos (section)
53. Modelos de Recomendación Basados en Deep Learning (chapter)
54. Filtrado colaborativo neuronal (section)
55. DLRM (section)
56. Redes neuronales basadas en productos (section)
57. Modelos de recomendación basados en atención (section)
58. Comparación entre familias de modelos (section)
59. Modelado del Comportamiento del Usuario (chapter)
60. Historial de comportamiento del usuario (section)
61. DIN (section)
62. DIEN (section)
63. Evolución de los intereses (section)
64. Preferencias a corto y largo plazo (section)
65. Recomendación Secuencial y Basada en Contexto (part)
66. Recomendación Secuencial (chapter)
67. Por qué importa el orden de las interacciones (section)
68. Modelos de Markov y redes neuronales recurrentes (section)
69. Recomendación basada en sesiones (section)
70. SASRec (section)
71. BERT4Rec (section)
72. Transformers en los Sistemas de Recomendación (chapter)
73. Self-attention para secuencias de usuarios (section)
74. Codificación posicional y temporal (section)
75. Modelado de historiales de comportamiento extensos (section)
76. Arquitecturas Transformer eficientes (section)
77. Limitaciones de los recomendadores basados en Transformers (section)
78. Recomendación Basada en Contexto (chapter)
79. Contexto temporal, geográfico y de dispositivo (section)
80. Intención de la sesión (section)

Preguntas frecuentes