Sistemas de recomendación en Python

recommendation-systems.md

Modelos para sistemas de recomendación en Python

Nombre del Modelo	Enfoque	Librería	Breve descripción
TF-IDF Vectorizer + Cosine Similarity	Basado en contenido	scikit-learn	Representación textual y comparación entre ítems o usuarios a partir de texto.
K-Nearest Neighbors (KNN)	Basado en contenido	scikit-learn	Encuentra ítems similares usando distancia (ej. coseno) entre sus características.
Logistic Regression	Basado en contenido	scikit-learn	Clasificación binaria basada en características de ítems o usuarios.
Random Forest Classifier / Regressor	Basado en contenido	scikit-learn	Modelo de ensamble útil para predecir preferencias con múltiples features.
Gradient Boosting (e.g., XGBoost, HistGBDT)	Basado en contenido	scikit-learn, xgboost	Modelos potentes para clasificar o puntuar ítems, combinando múltiples árboles.
Multinomial Naive Bayes	Basado en contenido	scikit-learn	Clasificador probabilístico, útil para datos categóricos o texto.
Truncated SVD (Latent Semantic Analysis)	Basado en contenido	scikit-learn	Reduce dimensionalidad de datos esparcidos como TF-IDF o matrices de usuario-ítem.
KMeans Clustering	Basado en contenido	scikit-learn	Agrupa usuarios o ítems similares para crear clusters de recomendación.
K-Nearest Neighbors (KNN)	Filtrado colaborativo	Surprise	Recomendación por similitud entre usuarios o ítems usando ratings explícitos.
Singular Value Decomposition (SVD)	Filtrado colaborativo	Surprise	Factorización matricial para descubrir factores latentes a partir de ratings.
SVD++	Filtrado colaborativo	Surprise	Variante mejorada de SVD que incorpora ítems no valorados explícitamente.
Non-negative Matrix Factorization (NMF)	Filtrado colaborativo	scikit-learn, Surprise	Factorización sin negativos para representar usuarios/ítems en espacio latente.
Alternating Least Squares (ALS)	Filtrado colaborativo	implicit	Factorización de matrices implícitas (ej. clics, visitas) para generar recomendaciones.
Co-Clustering	Filtrado colaborativo	Surprise	Agrupa simultáneamente usuarios e ítems en clústeres para generar predicciones.
LightFM	Híbrido (contenido + colaborativo)	lightfm	Recomendador que combina contenido y colaborativo con embeddings y factores latentes.
Random Forest Classifier / Regressor	Híbrido (reentrenado con features combinadas)	scikit-learn	Puede combinar features de usuarios/ítems con predicciones colaborativas.
Gradient Boosting (e.g., XGBoost, HistGBDT)	Híbrido (reentrenado con features combinadas)	scikit-learn, xgboost	Modelo de árboles para predecir preferencias combinando múltiples tipos de datos.
StackingClassifier / VotingClassifier	Híbrido	scikit-learn	Combina múltiples modelos para mejorar la precisión del recomendador.
Autoencoders (Deep Learning)	Deep Learning / Híbrido	TensorFlow, PyTorch	Redes neuronales para aprender representaciones comprimidas de usuarios/ítems.
Two-Tower Model (Deep Retrieval)	Deep Learning / Híbrido	TensorFlow Recommenders	Red neuronal dual para modelar usuarios e ítems por separado y medir compatibilidad.
Facebook AI Similarity Search (FAISS)	Deep Learning / Similaridad vectorial	faiss	Motor de búsqueda vectorial eficiente para ítems similares en espacio latente.