# Ingeniería de Modelos de Recomendación: Deep Learning, Ranking y Técnicas Modernas de Recomendación Canonical URL: https://cretisoftbooks.com/vi/books/ingenieria-de-modelos-de-recomendacion-deep-learning Book page: https://cretisoftbooks.com/vi/books/ingenieria-de-modelos-de-recomendacion-deep-learning Author: Ryan Mercer Language: es-MX 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. Target audience: Ingenieros de machine learning, científicos de datos y profesionales de sistemas de recomendación con experiencia práctica. Audience persona: Profesional técnico con experiencia en ML que busca dominar las arquitecturas de vanguardia en recomendación y llevarlas a producción. Search intent: Encontrar una guía completa y práctica sobre el diseño e implementación de modelos de recomendación con deep learning y técnicas modernas de ranking. Unique angle: 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. Content type: guía técnica de ingeniería de modelos Answer snippets: - 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 Problems solved: - 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 Who should read: - 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 Who should not read: - Principiantes sin experiencia en machine learning - Personas que buscan una guía ligera o no técnica - Quienes esperen solo teoría sin implementaciones prácticas FAQ: Q: ¿Qué modelos cubre el libro? A: Cubre DLRM, SASRec, LightGCN, DeepFM, DIN, DIEN, BERT4Rec, y arquitecturas multitarea como MMoE y PLE, entre otros. Q: ¿Qué nivel de experiencia se requiere? A: Se requieren conocimientos básicos de machine learning y experiencia práctica en sistemas de recomendación o áreas afines. Q: ¿Incluye código o ejemplos prácticos? A: Sí, el libro ofrece intuiciones, diseño de arquitecturas y consideraciones de ingeniería, aunque no incluye implementaciones de código completas. Q: ¿Cómo aborda la evaluación de modelos? A: Dedica un capítulo completo a métricas offline como NDCG y MAP, calibración, evaluación por segmentos y la brecha con resultados online. Q: ¿Qué hace único a este libro? A: Su enfoque en el pipeline completo y las decisiones de ingeniería, equilibrando precisión, coste y objetivos de negocio. SEO keywords: ingeniería de modelos de recomendación, deep learning para recomendación, sistemas de recomendación modernos, técnicas de ranking, modelos de dos torres, aprendizaje multitarea recomendación, LightGCN, SASRec, DLRM Table of contents: - Introducción - Fundamentos del Modelado de Sistemas de Recomendación - La Arquitectura Moderna de Modelado para Recomendación - Recuperación, ranking y re-ranking - De los algoritmos tradicionales a los modelos aprendidos - La recomendación como problema de predicción - Flujos de entrenamiento e inferencia - Selección de la arquitectura de modelo adecuada - Datos y Objetivos de Aprendizaje - Señales de usuarios, elementos y contexto - Retroalimentación explícita e implícita - Aprendizaje pointwise, pairwise y listwise - Construcción de etiquetas de entrenamiento - Fugas de datos y sesgos de entrenamiento - Construcción de Conjuntos de Datos de Entrenamiento - Ejemplos positivos y negativos - Estrategias de muestreo negativo - Construcción de sesiones y secuencias de comportamiento - División de los conjuntos de datos - Manejo del desequilibrio en los datos de interacción - Embeddings y Modelos de Recuperación - Embeddings en los Sistemas de Recomendación - De los factores latentes a los embeddings neuronales - Embeddings de usuarios y elementos - Representación de características mediante embeddings - Entrenamiento de embeddings - Evaluación de la calidad de los embeddings - Modelos de Dos Torres - Arquitectura de dos torres - Diseño de la torre de usuario - Diseño de la torre de elementos - Entrenamiento con negativos dentro del lote - Uso de modelos de dos torres para recuperación - Modelos de Generación de Candidatos - Generación moderna de candidatos - Recuperación desde múltiples fuentes - Recuperación basada en secuencias de comportamiento - Recuperación basada en grafos - Combinación de candidatos de múltiples fuentes - Modelos de Ranking - Aprendizaje para Ranking - Fundamentos de Learning to Rank - Aprendizaje pointwise - Aprendizaje pairwise - Aprendizaje listwise - Evaluación de modelos de ranking - Modelos Clásicos de Ranking - Wide & Deep - Máquinas de factorización - DeepFM - Deep & Cross Network - Cuándo utilizar cada familia de modelos - Modelos de Recomendación Basados en Deep Learning - Filtrado colaborativo neuronal - DLRM - Redes neuronales basadas en productos - Modelos de recomendación basados en atención - Comparación entre familias de modelos - Modelado del Comportamiento del Usuario - Historial de comportamiento del usuario - DIN - DIEN - Evolución de los intereses - Preferencias a corto y largo plazo - Recomendación Secuencial y Basada en Contexto - Recomendación Secuencial - Por qué importa el orden de las interacciones - Modelos de Markov y redes neuronales recurrentes - Recomendación basada en sesiones - SASRec - BERT4Rec - Transformers en los Sistemas de Recomendación - Self-attention para secuencias de usuarios - Codificación posicional y temporal - Modelado de historiales de comportamiento extensos - Arquitecturas Transformer eficientes - Limitaciones de los recomendadores basados en Transformers - Recomendación Basada en Contexto - Contexto temporal, geográfico y de dispositivo - Intención de la sesión Sample EPUB: https://cretisoftbooks.com/book-samples/6a58b6d920471dc2c757c0e1-1784268904674-ingenieria-de-modelos-de-recomendacion-deep-learning-ranking-y-tecnicas-modernas-de-recomendacion-epub-mau-20.epub Purchase links: - Google Books: https://play.google.com/store/books/details?id=NZ31EQAAQBAJ