Un modelo espaciotemporal de recomendación del siguiente POI basado en la inercia del comportamiento del usuario

Por qué tus lugares favoritos siguen apareciendo

Cualquiera que use aplicaciones de mapas o reseñas ha visto cómo los mismos cafés, gimnasios o parques ascienden silenciosamente a la cima de sus sugerencias. Este artículo explora por qué nuestros hábitos cotidianos hacen que esas recomendaciones sean sorprendentemente predecibles y cómo matemáticas más inteligentes pueden convertir datos dispersos de check-ins en sugerencias del siguiente lugar más útiles y menos aleatorias.

Los hábitos detrás de adónde vamos

Los autores parten de una observación simple: las personas rara vez eligen su siguiente parada al azar. La vida diaria está gobernada por propósitos como comer, desplazarse, descansar o salir. Con el tiempo, acudir repetidamente a lugares similares por la misma finalidad crea lo que los autores llaman inercia del comportamiento, una especie de atracción por los sitios familiares. Al mismo tiempo, la vida real es desordenada. La hora del día, la distancia y el deseo de probar algo nuevo pueden alejar a las personas de sus elecciones habituales, actuando como resistencia a esa inercia. El desafío es capturar ambas tendencias para que un sistema de recomendación pueda predecir la próxima parada de un usuario con mayor fiabilidad.

Ordenando lugares por propósito cotidiano

Un obstáculo es que incluso las apps basadas en la ubicación muy populares tienen datos muy escasos para cada persona; cada usuario visita solo una fracción mínima de todos los locales disponibles. Para aliviar este problema, los investigadores agrupan los puntos de interés en cuatro propósitos amplios e intuitivos: comer y beber, transporte y alojamiento, salir/entretenimiento y actividades al aire libre. Un mismo local puede pertenecer a más de un grupo si cumple varias funciones, como un bar que también es restaurante. A partir del historial de cada usuario, construyen entonces una línea temporal de propósitos en lugar de coordenadas en bruto. Técnicas sencillas de series temporales estiman cuándo es más probable que un usuario persiga cada propósito a continuación, lo que reduce drásticamente el conjunto de lugares candidatos antes de aplicar cualquier puntuación detallada.

Combinando distancia y fuerza del hábito

Tras estimar el propósito más probable del usuario, el modelo se ocupa de la geografía y el hábito. Las personas tienden a moverse dentro de unas pocas zonas familiares donde ubicaciones clave, como casa u oficina, actúan como centros. Usando check-ins pasados, el sistema aprende dónde están estos centros y con qué frecuencia se visita cada local cercano. Los lugares más cercanos a las paradas frecuentes de un usuario reciben un impulso natural, reflejando el esfuerzo adicional que supone desplazarse más lejos. A la vez, el modelo mide la inercia del comportamiento observando con qué regularidad alguien vuelve al mismo local y cuáles son los intervalos típicos entre visitas. También considera cuántos locales distintos prueba una persona para el mismo propósito: un individuo de costumbres que siempre cena en el mismo restaurante se comporta de forma diferente a quien experimenta constantemente, incluso si ambos salen a comer con la misma frecuencia.

Equilibrando zonas de confort con curiosidad

El núcleo del enfoque es tratar la inercia y la resistencia como fuerzas en competencia. Si un usuario suele regresar a un lugar con intervalos temporales consistentes, el modelo asume una fuerte atracción a volver allí, especialmente cuando se aproxima la ventana prevista para la próxima visita. Para sitios visitados raramente, el sistema comprueba si están cerca de la posición actual del usuario y si encajan dentro de una categoría amplia que al usuario le gusta explorar. Esto permite recomendar no solo los habituales obvios, sino también opciones nuevas plausibles en barrios conocidos. La puntuación final de cada ubicación candidata combina tres ingredientes: el propósito predicho, la cercanía geográfica y la fuerza aprendida de la inercia del comportamiento frente a la resistencia.

¿Funcionan realmente estas predicciones más inteligentes?

Para evaluar su método, los autores lo aplicaron a casi un año de check-ins reales de Nueva York y Tokio. Compararon su modelo con una larga lista de enfoques existentes, incluidas técnicas basadas en redes sociales, aprendizaje profundo y modelado detallado de secuencias. En ambas ciudades, su modelo basado en inercia del comportamiento mejoró medidas clave de precisión en hasta aproximadamente un 15 por ciento en recall y un 20 por ciento en una métrica de ranking llamada MAP. En términos sencillos, el sistema no solo encuentra con mayor frecuencia el lugar correcto a continuación, sino que también tiende a colocarlo más arriba en la lista sugerida, donde es más probable que el usuario lo note.

Qué significa esto para las recomendaciones futuras

Para los usuarios cotidianos, la conclusión es que mejores recomendaciones provienen de entender por qué vamos a los sitios, no solo dónde y cuándo. Al reconocer que las personas siguen rutinas sueltas moldeadas por el propósito, el hábito y pequeños empujones hacia la exploración, este modelo ofrece una forma de sugerir paradas siguientes que resultan intuitivas y oportunas. Los autores sugieren que trabajos futuros podrían adaptar el equilibrio entre inercia y resistencia conforme se disponga de más datos, y combinar esto con aprendizaje profundo moderno, dando a los servicios basados en la ubicación una sensación más humana tanto de zonas de confort como de curiosidad.

Cita: Zhang, K., Chu, D., Tu, Z. et al. A user behavior inertia based spatio temporal next POI recommendation model. Sci Rep 16, 15784 (2026). https://doi.org/10.1038/s41598-026-42191-x

Palabras clave: recomendación del siguiente POI, inercia del comportamiento del usuario, servicios basados en la ubicación, modelado espaciotemporal, patrones de movilidad