Un marco de aprendizaje profundo basado en conmutación para recomendaciones de comercio electrónico personalizadas y adaptativas

Por qué importan las sugerencias online más inteligentes

Cada vez que compras en línea, detrás de escena un algoritmo intenta adivinar qué podrías querer ver a continuación. Sin embargo, las personas usan las tiendas en línea de formas muy diferentes: algunos acaban de llegar, otros navegan de forma casual y otros son clientes habituales. Este artículo presenta un nuevo marco de recomendación que se adapta a estas diferencias en tiempo real, con el objetivo de que las sugerencias de productos sean más precisas, justas y útiles para todos —desde visitantes primerizos hasta compradores frecuentes.

Tres tipos de compradores, no uno solo

Los autores comienzan argumentando que tratar a todos los usuarios por igual conduce a recomendaciones mediocres. Dividen a los compradores en tres grandes grupos según cuánto interactúan con el sitio. Los “novatos” tienen casi ningún historial, quizá solo unas pocas búsquedas o clics. Los “usuarios ligeros” han hecho un puñado de visitas o compras. Los “usuarios intensivos” acumulan un largo rastro de visualizaciones, clics, adiciones al carrito, valoraciones y pedidos. Cada grupo genera distintos tipos y cantidades de datos, por lo que un algoritmo único tiene dificultades para servirlos a todos por igual.

Ayudar a los visitantes nuevos con imágenes y descripciones

Para los usuarios totalmente nuevos, la técnica habitual —buscar patrones en su comportamiento pasado— simplemente no funciona porque no existe ese historial. El sistema propuesto aborda este problema de “arranque en frío” apoyándose en los propios productos. Utiliza una red neuronal que aprende tanto de las imágenes de los productos como de sus detalles escritos, como el título, la marca, la categoría y el precio. Estos distintos fragmentos de información se combinan en una representación numérica compartida, de modo que los productos con apariencia y descripciones similares quedan cerca en este espacio abstracto. Cuando un visitante nuevo escribe una consulta simple o hace clic en algunos elementos, el sistema mapea esas acciones al mismo espacio y devuelve productos cercanos, adivinando el gusto a partir de la apariencia y el texto en lugar de hábitos a largo plazo.

Atender a los compradores casuales con emparejamiento ligero

Los usuarios ligeros aportan algunas pistas directas —como un pequeño número de visualizaciones o compras pasadas— pero aun así no son suficientes para métodos muy complejos. Para este grupo, el marco utiliza un modelo “two-tower” simplificado. Una torre resume quién es el usuario y lo que ha hecho hasta ahora; la otra resume las características del producto. Durante el entrenamiento, el sistema aprende a acercar la representación del usuario a los artículos con los que interactuó y a alejarla de otros. Este diseño permite recorrer catálogos grandes muy rápidamente para elegir una lista corta de ítems prometedores. Las pruebas muestran que, tras el entrenamiento, la probabilidad de que el ítem correcto aparezca entre las 10 principales sugerencias aproximadamente se duplica, y la calidad del ranking mejora sustancialmente frente a una versión no entrenada.

Potenciar a los usuarios intensivos con muchas señales a la vez

Los usuarios intensivos dejan rastros abundantes: qué ven, qué compran, cómo valoran los artículos y más. En lugar de centrarse en solo uno de estos comportamientos, los autores construyen un modelo multitarea que aprende a manejar varios objetivos a la vez. Un núcleo compartido representa tanto a usuarios como a productos; encima de este, una rama predice valoraciones y otra predice qué artículos es probable que el usuario elija a continuación. Entrenar ambas tareas conjuntamente permite que señales abundantes pero ruidosas, como las visualizaciones de productos, refuercen el aprendizaje para señales más raras pero más informativas, como las valoraciones. Los experimentos muestran que los modelos afinados solo para valoraciones o solo para recuperación rinden bien en su objetivo único pero mal en el otro, mientras que el modelo conjunto logra un mejor equilibrio general.

Activar la herramienta adecuada en el momento oportuno

La idea clave que enlaza estas partes es un mecanismo de conmutación que elige el modelo correcto según el nivel de compromiso actual de cada persona. A medida que alguien pasa de visitante nuevo a comprador casual y a cliente frecuente, el sistema rastrea los cambios en la actividad y dirige automáticamente sus datos al módulo más adecuado. En los tres grupos, este diseño adaptativo reduce los errores de predicción, aumenta las tasas de acierto y aprovecha mejor las muchas señales débiles que recogen las plataformas modernas. En términos cotidianos, significa que tu lista de «Recomendado para ti» puede mantenerse relevante tanto si acabas de llegar como si llevas años comprando en el sitio, sin que las necesidades de un grupo eclipsen a las de otro.

Cita: Saini, K., Singh, A., Diwakar, M. et al. A switching-based deep learning framework for personalized and adaptive E-commerce recommendations. Sci Rep 16, 10382 (2026). https://doi.org/10.1038/s41598-026-40024-5

Palabras clave: recomendación de comercio electrónico, compras personalizadas, aprendizaje profundo, comportamiento del usuario, sistemas de recomendación