Estudio comparativo de sistemas de recomendación mediante filtrado colaborativo, basado en contenido y propuestas híbridas

Abstract

En la era actual de hiperconectividad y el uso masivo de plataformas digitales, las personas encuentran en internet y las redes sociales una ventana constante hacia nuevas experiencias y oportunidades de ocio. Ante esta sobrecarga informativa, los sistemas de recomendación se han convertido en herramientas fundamentales para personalizar la experiencia del usuario, facilitando el acceso a aquello que mejor se ajusta a sus gustos e intereses. De esta manera, aumenta el engagement de los usuarios con la marca, lo que permite a las empresas fortalecer la fidelidad de su audiencia y alcanzar sus objetivos estratégicos. Estos sistemas pueden clasificarse en tres grandes enfoques: el filtrado basado en contenido, que se centra en las características de los elementos consumidos; el filtrado colaborativo, que detecta patrones de comportamiento comunes entre usuarios; y los modelos híbridos, que combinan ambos métodos con el objetivo de ofrecer recomendaciones más precisas, diversas y adaptables. Este trabajo tiene como objetivo comparar el rendimiento de estos tres tipos de sistemas de recomendación, prestando especial atención a las arquitecturas híbridas propuestas. Se busca analizar si la combinación de estrategias permite superar las limitaciones de los modelos tradicionales y mejorar la calidad de las recomendaciones. A través de un enfoque experimental, se evalúan distintos modelos con el objetivo de valorar su aplicabilidad en contextos reales y complejos donde la personalización resulta clave para la experiencia del usuario.