Todos los lunes, Spotify nos ofrece una nueva lista de canciones en la opción "Discover Weekly" esta música es específicamente seleccionada dependiendo de la música que escuchaste durante la semana anterior. A veces la lista es realmente buena, y a veces no lo es. Siempre me pregunté cómo hace Spotify para descubrir estas canciones, incluso cuando no hay un sistema de ratings en su aplicación, excepto por un botón de "Guardar como favorito", hasta que recientemente me di cuenta de que usaban una combinación de diferentes arquitecturas para su motor de recomendación:

Recomendación de filtrado colaborativo basado en memoria: que se centra en la relación de los usuarios y los elementos en cuestión (ideal cuando los datos contienen ratings de los diversos elementos ofrecidos). La factorización de matrices aquí es una poderosa herramienta matemática para descubrir las interacciones latentes entre usuarios y elementos. Por ejemplo, digamos que la persona A y B escuchan la canción X, y la persona B escucha a menudo la canción Y, entonces es muy probable que a A también le guste la canción Y.

Recomendación basada en contenido: que se centran en las características de los elementos mismos. Entonces, en lugar de analizar las interacciones proactivas de los usuarios/clientes con los artículos, el análisis se realiza principalmente a nivel de este último, examinando y midiendo la similitud de las características de los artículos. Para permanecer en el contexto de la música, por ejemplo, si escuchas muy a menudo la canción X e Y, y ambas canciones provienen de un músico italiano que usa distintas melodías de piano y también pertenecen a un género musical. Este método de recomendación utilizará diferentes técnicas de aprendizaje automático (por ejemplo, procesamiento del lenguaje natural) para determinar una canción Z que tenga propiedades similares.

Volver arriba