2026-09-15T23:41:08Zhttps://gredos.usal.es/oai/requestoai:gredos.usal.es:10366/1707062026-03-21T01:00:53Zcom_10366_4827com_10366_4843col_10366_4828
2026-03-20T10:11:36Z
urn:hdl:10366/170706
Uso de información secundaria heterogénea en sistemas de recomendación
Álvarez Sánchez, Arturo
Moreno García, María Navelonga
Jiménez Bravo, Diego Manuel
Sistemas de recomendación
Aprendizaje automático
Información secundaria
Visión artificial
Recommender systems
Machine learning
Side information
Computer vision
Trabajo Fin de Máster. Máster Universitario en Sistemas Inteligentes. Curso académico 2024-2025.
[ES]En la era digital actual, los sistemas de recomendación juegan un papel crucial
en la manera en que los usuarios descubren y acceden a productos, servicios y contenidos
a través de la web. Estos sistemas son fundamentales en diversas plataformas
como servicios de streaming, tiendas en línea, redes sociales y motores de búsqueda.
Tradicionalmente, los sistemas de recomendación se han clasificado en varias categorías,
entre las que destacan el filtrado colaborativo, el filtrado basado en contenido y
los métodos basados en conocimiento. Estos enfoques han utilizado históricamente
diversos tipos de información, como las interacciones entre los usuarios y los ítems,
información acerca de los objetos o características demográficas de los usuarios. No
obstante, con el crecimiento exponencial de los datos en la era del big data, ha aumentado
la disponibilidad de fuentes de información adicionales, conocidas como
side information, que pueden integrarse para mejorar los modelos tradicionales. Esta
información puede incluir datos contextuales, interacciones sociales, registros de
comportamiento o metadatos variados, permitiendo construir sistemas de recomendación
más personalizados y robustos. Por lo general, esta información se presenta
en formato numérico o cadena, aunque actualmente se proponen y utilizan formatos
más complejos y difíciles de procesar, como los textuales y visuales. El objetivo de
este trabajo es realizar un estudio comparativo entre los sistemas de recomendación
clásicos y las nuevas propuestas que utilizan información secundaria, como las características
visuales de las imágenes, para determinar si esta información adicional
mejora significativamente las recomendaciones. A través de este trabajo, se pretende
aportar una comprensión más profunda de los beneficios y limitaciones del uso de este
tipo de información secundaria en los sistemas de recomendación, proporcionando
una base sólida para futuras investigaciones y desarrollos en este campo.
[EN]In today’s digital age, recommender systems play a crucial role in the way users
discover and access products, articles, services and content across the web. These
systems are fundamental in various platforms such and items, information about objects,
or demographic characteristics of users. However, with the exponential growth
of data in the era of big data, the availability of additional sources of information,
known as “side information,” that can be integrated to enhance traditional
models has increased. This information can include contextual data, social interactions,
behavioral logs or various metadata, enabling more personalized and robust
recommender systems to be built. Generally, this information is presented in numeric
or string format, although more complex and difficult to process formats,
such as textual and visual, are now being proposed and used. The objective of this
work is to perform a comparative study between classical recommender systems and
new proposals that use secondary information, such as the visual characteristics of
images, to determine whether this additional information significantly improves recommendations.
Through this work, we aim to provide a deeper understanding of
the benefits and limitations of using this type of secondary information in recommender
systems, providing a solid foundation for future research and development in
this field. As streaming services, online stores, social networks and search engines.
Traditionally, recommender systems have fallen into several categories, including
collaborative filtering, content-based filtering and knowledge-based methods. These
approaches have historically used various types of information, such as interactions
between users.
2026-03-20T10:11:36Z
2026-03-20T10:11:36Z
2025-07
info:eu-repo/semantics/masterThesis
http://hdl.handle.net/10366/170706
spa
http://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
Attribution-NonCommercial-NoDerivatives 4.0 Internacional