Un enfoque de agrupamiento neutrosófico para manejar la incertidumbre en recomendaciones de usuarios oveja gris

Por qué algunas personas reciben recomendaciones extrañas

Las plataformas de streaming y las tiendas en línea a menudo parecen “conocernos”, pero para muchas personas las sugerencias siguen sin acertar. Este artículo examina un grupo problemático de usuarios cuyos gustos no encajan con la masa y muestra cómo abrazar la incertidumbre —en lugar de ignorarla— puede mejorar drásticamente lo que a estas personas se les recomienda.

Los usuarios que confunden a los motores de recomendación

La mayoría de los sistemas de recomendación aprenden de los patrones de la multitud: “personas como tú también disfrutaron estas películas, libros o canciones”. Eso funciona bien cuando tus gustos son similares a los de un gran grupo. Pero algunas personas, llamadas usuarios “oveja gris”, gustan de una mezcla de contenidos convencionales y atípicos que no encaja claramente en ningún grupo único. Sus valoraciones están dispersas, el sistema no encuentra vecinos fiables y las sugerencias resultantes suelen ser imprecisas o inconsistentes. El problema se agrava por la escasez de datos: en un conjunto típico de películas, más del 90% de todos los pares posible usuario–película no tienen ninguna valoración, por lo que los usuarios oveja gris quedan efectivamente diluidos en el ruido.

Convertir la incertidumbre en una señal útil

Los autores proponen afrontar esta confusión directamente modelando explícitamente la incertidumbre en el comportamiento del usuario. Utilizan un marco lógico llamado razonamiento “neutrosófico”, que representa el ajuste de cada usuario a un clúster en tres componentes: cuánto encaja (verdad), qué tan poco clara es la pertenencia (indeterminación) y cuán claramente no pertenece (falsedad). En lugar de forzar a cada persona a entrar en un único grupo nítido, su agrupamiento k‑means neutrosófico permite que los usuarios tengan pertenencias parciales e incluso ambiguas. El clúster con la mayor ambigüedad global se convierte en el grupo de “oveja gris”: personas cuyos gustos son difíciles de delimitar pero que es importante no ignorar.

Un camino de dos carriles para las recomendaciones

Una vez que los usuarios se dividen en clústeres mayoritarios y oveja gris, el sistema los trata de forma diferente. Para usuarios típicos se emplea un método estándar de filtrado colaborativo basado en ítems: los ítems se comparan entre sí según cómo los han valorado las personas, y un usuario recibe recomendaciones que se asemejan a lo que ya le gusta. Para los usuarios oveja gris se aplica el mismo método basado en ítems, pero solo después de haberlos aislado cuidadosamente mediante el paso de agrupamiento consciente de la incertidumbre. Esta capa adicional asegura que cuando el sistema busca patrones, compara a cada usuario oveja gris con ítems y patrones de valoración que reflejan sus preferencias únicas y dispersas, en lugar de promediarlas y diluirlas dentro de la mayoría. En los experimentos se mantienen constantes los parámetros de recomendación, de modo que cualquier mejora puede atribuirse a una mejor identificación de los usuarios oveja gris, y no a ajustes de hiperparámetros.

¿Cuánto mejor resulta realmente?

Los autores prueban su marco en conjuntos de datos bien conocidos de películas (MovieLens 100K y 1M) y lo extienden luego a libros (Book‑Crossing) y música (Last.fm). En comparación con un método popular de agrupamiento suave (fuzzy c‑means) y varios híbridos de clustering avanzados, su enfoque neutrosófico consigue de forma consistente errores de predicción más bajos y mayor éxito al seleccionar ítems que a los usuarios oveja gris realmente les gustan. Por ejemplo, en el conjunto MovieLens 100K, la precisión y la recuperación para el clúster oveja gris alcanzan aproximadamente un 89% y un 91%, con errores de valoración visiblemente menores. El método también supera a varios recomendadores basados en aprendizaje profundo cuando se evalúa específicamente sobre usuarios oveja gris, pese a usar una arquitectura más simple y transparente. La ventaja clave no es la potencia computacional bruta, sino el tratamiento explícito de la incertidumbre como una señal de primera clase.

Qué significa esto para los usuarios de a pie

En términos simples, este trabajo muestra que reconocer “no estoy seguro sobre este usuario” puede ser más eficaz que fingir que la incertidumbre no existe. Al abrir un camino dedicado para personas cuyos gustos no encajan en los moldes habituales, el sistema propuesto rescata a una audiencia descuidada y les ofrece recomendaciones más precisas, diversas y satisfactorias. Aunque el estudio actual se centra en valoraciones en lugar de en contenido rico como texto o imágenes, y se enfoca más en las ovejas grises que en todos los usuarios, ofrece una receta práctica: construir canalizaciones de recomendación que detecten la ambigüedad, la traten explícitamente y la usen para guiar cómo se generan las sugerencias. Para cualquiera que alguna vez haya pensado “estas recomendaciones no soy yo”, ese cambio podría hacer que los sistemas futuros se sientan mucho más personales y justos.

Cita: Samir, D., El Reheem, E.A., Darwish, S.M. et al. A neutrosophic clustering approach to handle recommendation uncertainty for gray sheep users. Sci Rep 16, 9663 (2026). https://doi.org/10.1038/s41598-026-41651-8

Palabras clave: sistemas de recomendación, usuarios oveja gris, modelado de la incertidumbre, agrupamiento neutrosófico, filtrado colaborativo