DeepSentRec: un sistema de recomendación de productos sensible al sentimiento basado en aprendizaje profundo

Por qué importan las sugerencias más inteligentes

Cada vez que compras en línea, ves una serie completa o revisas reseñas de restaurantes, algoritmos invisibles deciden qué verás a continuación. Sin embargo, estos sistemas a menudo pasan por alto algo crucial: cómo te sientes realmente respecto a lo que compras o ves. Este artículo presenta DeepSentRec, un nuevo marco de recomendación que intenta leer no solo lo que clicaste, sino el tono de tus reseñas escritas—tu entusiasmo, decepción o indiferencia—y luego utiliza esa señal emocional para adaptar futuras sugerencias de forma más humana.

De las calificaciones por estrellas a los sentimientos reales

La mayoría de los motores de recomendación existentes se apoyan en números: calificaciones por estrellas, clics pasados e historiales de compra. Tratan las reseñas de los usuarios principalmente como texto largo y desordenado que es difícil de usar a escala. Como resultado, pasan por alto pistas ricas, como si una calificación de tres estrellas se otorgó con aceptación a regañadientes o con una leve aprobación. Investigaciones anteriores han demostrado que incorporar el sentimiento—la sensación positiva, neutra o negativa expresada en el texto—puede mejorar la personalización, pero muchos sistemas siguen añadiéndolo como una característica superficial en lugar de convertirlo en un elemento central de cómo se forman y ordenan las recomendaciones.

Tres cerebros trabajando juntos

DeepSentRec está diseñado como una canalización de tres partes que entreteje emociones, comportamiento y aprendizaje a partir de la retroalimentación en un solo bucle. Primero, un módulo de sentimiento llamado SentimentBERT lee el texto de las reseñas y produce una huella emocional detallada para cada reseña, no solo un simple pulgar hacia arriba o hacia abajo. Segundo, un módulo de recomendación híbrido combina dos visiones del mundo: personas que se comportaron como tú (filtrado colaborativo) y productos cuyas reseñas albergan significados y sentimientos similares (similitud semántica). Tercero, un módulo de aprendizaje para ordenar basado en aprendizaje por refuerzo reordena continuamente el orden de los productos sugeridos según cómo respondan los usuarios—si hacen clic, compran o ignoran los elementos.

Aprender de muchas voces

Para comprobar si esta arquitectura realmente ayuda a las personas a encontrar artículos más relevantes, los autores entrenaron y evaluaron DeepSentRec en cuatro conjuntos de datos grandes y del mundo real: reseñas de productos de Amazon, reseñas de negocios de Yelp, reseñas de películas de IMDB y una colección de comentarios de comercio electrónico de Kaggle. Antes de cualquier aprendizaje, el texto se limpia cuidadosamente y se divide en fragmentos adecuados para los modelos de lenguaje modernos. SentimentBERT se entrena primero con reseñas de películas bien etiquetadas y luego se ajusta finamente en Amazon y Yelp, de modo que pueda adaptarse a diferentes estilos de escritura y dominios. El sistema también construye representaciones compactas de cómo cada usuario interactúa con cada producto y luego las combina con incrustaciones de texto conscientes del sentimiento para crear una imagen más rica del gusto.

Convertir la retroalimentación en mejores ordenamientos

La parte más distintiva de DeepSentRec es cómo trata el ordenamiento como una conversación continua en lugar de un cálculo estático. Usando una técnica de aprendizaje por refuerzo llamada Optimización de Política Proximal, el sistema considera cada lista ordenada como una decisión y cada reacción de usuario como una recompensa o penalización. Clics, compras y omisiones se incorporan a una puntuación que anima al modelo a destacar elementos que generan compromiso a largo plazo, no solo clics rápidos. Con el tiempo, la política de ordenamiento mejora probando diferentes ordenaciones y reteniendo aquellas que conducen a interacciones más significativas, como compras o usos reiterados.

Qué muestran los resultados para usuarios reales

En los conjuntos de datos de comercio electrónico de Amazon y Kaggle, DeepSentRec supera de forma consistente a los métodos tradicionales basados solo en comportamiento pasado o en coincidencias de texto simples. Ofrece mayor precisión (una mayor proporción de las sugerencias principales son realmente relevantes), mejor recuperación (encuentra más de las cosas que importan a los usuarios) y medidas de calidad de ordenamiento más robustas. Lo más importante para plataformas reales, incrementa las tasas de clics y una puntuación global de compromiso que combina varias formas de reacción de los usuarios. Estudios de ablación—eliminando sistemáticamente componentes—muestran que cada parte importa: el modelado del sentimiento mejora la precisión, el modelo híbrido texto más interacción mejora la cobertura y el aprendiz por refuerzo aumenta con mayor frecuencia la actuación de los usuarios sobre las recomendaciones.

Qué significa esto para las recomendaciones cotidianas

En términos sencillos, el estudio sugiere que los motores de recomendación mejoran de forma notable cuando escuchan lo que dices en las reseñas con la misma atención con que observan lo que clicas, y cuando siguen aprendiendo de tu comportamiento más reciente en lugar de depender únicamente de patrones antiguos. DeepSentRec muestra que combinar el tono emocional, el contexto del texto y la retroalimentación continua puede producir recomendaciones que se sienten más oportunas, relevantes y personales. Aunque el trabajo actual se centra en reseñas en inglés y experimentos offline, apunta hacia una nueva generación de sistemas que se adaptan en casi tiempo real y que pueden extenderse a múltiples idiomas y dominios, potencialmente alineando las experiencias digitales—desde las compras hasta el aprendizaje—con cómo las personas realmente sienten y se comportan.

Cita: Kollu, S.R.P., Garapati, Y. DeepSentRec: a deep learning-based sentiment-aware product recommendation system. Sci Rep 16, 10580 (2026). https://doi.org/10.1038/s41598-026-45953-9

Palabras clave: sistemas de recomendación, análisis de sentimiento, personalización en comercio electrónico, aprendizaje profundo, aprendizaje por refuerzo