Internet se ha convertido en el canal de comunicación global donde hemos pasado de la mera recepción pasiva de información que nos ofrecían los medios clásicos —como la televisión, los catálogos de productos o la prensa— a interactuar con ella en tiempo real a través de los diferentes servicios que tenemos a nuestro alcance. Sitios de noticias, tiendas online, etc. Pero sobre todo la verdadera revolución ha llegado con la popularización de las redes sociales. Estas interconectan literalmente a millones de personas entre sí —más del 29% de la población mundial hacen uso de ellas día a día— que interaccionan tanto entre ellos como con la información que reciben. 

Con este volumen de usuarios, la cantidad de información que se genera es gigantesca: millones de fotografías, videos, textos —de aquí el término de moda big data— por lo que todos estos servicios tienen que plantearse cómo filtran toda esta información para presentar a sus usuarios lo que realmente les interesa. Esto es crítico, ya que una información adaptada a los intereses de los usuarios es lo que los fideliza y garantiza que sigan usando el sistema. Aquí es donde entran en juego los sistemas de recomendación, que tratan de predecir la respuesta que tendrá un usuario ante un artículo para poder presentarle otros que le harán reaccionar de manera positiva.

Cada plataforma de información utiliza sistemas de recomendación adaptados a su propia naturaleza, pero en la base de todos está el contar con el conocimiento (más o menos extensivo) de todos y cada uno de sus usuarios. Este conocimiento se consigue bien de forma explícita mediante distintos tipos de formularios donde se recoge tanto información personal (como la edad y el género) como información sobre nuestras preferencias (cuando decimos que nos gusta un elemento o lo valoramos en una escala). Pero sobre todo recogen información de forma implícita ya que registran todos nuestros movimientos en el sistema: qué páginas visitamos, cuántas visitas y cuánto tiempo empleamos en cada una, si se parecen a elementos que hemos visitado anteriormente, con qué usuarios tenemos relación… todo lo que pueda servir para clasificarnos.

Por otro lado, los sistemas de recomendación cuentan con algoritmos encargados de explotar activamente esta base de datos de usuarios y obtener elementos de interés para todos ellos. Se clasifican principalmente en tres tipos: colaborativos, basados en el contenido e híbridos.

Los sistemas de filtrado colaborativo seleccionan elementos de interés comparando a los usuarios entre sí, sin entrar a valorar los elementos ofrecidos. La premisa básica que siguen es que si distintos usuarios han reaccionado de forma similar ante un producto o noticia en el pasado, en el futuro reaccionarán de forma similar ante nuevos elementos. Así, cuando un usuario que se parece a nosotros (según el sistema) reacciona de forma positiva ante una película o un artículo es muy posible que ese artículo sea también de nuestro agrado.

Los sistemas de filtrado basado en contenido cuentan además con información exhaustiva sobre el tipo de elementos que ofrecen. Según un usuario interacciona con el sistema, este aprende sobre sus hábitos con la premisa de que aquello que interesó al usuario en el pasado condicionará lo que le interese en el futuro. Así, cuando vemos una película que valoramos positivamente, películas de los mismos actores, género o director pueden ser candidatas para nosotros en el futuro. 

Los sistemas híbridos tratan de sacar ventaja de las características de los dos sistemas anteriores, realizando recomendaciones basadas tanto en las similitudes entre los usuarios como en los hábitos de cada uno de ellos, combinando los resultados.

Con toda la información que tenemos disponible hoy en día, los sistemas de recomendación suponen una alternativa a la búsqueda activa por parte de los usuarios, proporcionando posibilidades que quizá ni siquiera se habrían planteado y que pueden enriquecer la experiencia del usuario. 

Como muestra de la importancia de este tipo de sistemas en la industria, de 2006 a 2009 Netflix mantuvo abierto un concurso con un premio de un millón de dólares para aquel capaz de mejorar en un 10% su sistema de recomendación. Este concurso supuso no solo una mejora en la recomendación de películas ya que muchos de los participantes han aplicado sus propuestas en distintos campos como el comercio electrónico y es más que posible que hoy en día utilicemos servicios o aplicaciones que nos devuelven resultados propuestos por sistemas de recomendación que tuvieron su génesis en esta competición.

Este concurso supuso no solo una mejora en la recomendación de películas ya que muchos de los participantes han aplicado sus propuestas en distintos campos como el comercio electrónico.

Aunque debemos ser conscientes de que cuando utilizamos un servicio que nos va ofreciendo  diferentes recomendaciones personalizadas, esto no viene sin coste,  ya que de forma continua proporcionamos información al sistema con la que alimentamos completos perfiles de usuario, que además de serles de utilidad para proporcionar el servicio, también pueden utilizar como producto que vender a terceras partes. Por esto, no está de más que conozcamos los términos de uso de los servicios que utilizamos día a día y sepamos a qué precio vendemos nuestra intimidad.

Para saber más

—Recommending items to more than a billion people
—Who to follow service at Twitter
—A Survey of Recommender Systems in Twitter
—Digital, social and mobile worldwide in 2015
—Netflix Prize