Glosario IA
El diccionario completo de la Inteligencia Artificial
Sistemas de recomendación de aprendizaje profundo
Sistemas de recomendación que utilizan redes neuronales profundas para modelar relaciones complejas entre usuarios e ítems. Estos sistemas superan los métodos tradicionales al capturar interacciones no lineales y patrones latentes en los datos.
Capas de embedding
Capas de redes neuronales que transforman variables categóricas dispersas en vectores densos de baja dimensión. Los embeddings capturan similitudes semánticas entre ítems y usuarios en un espacio vectorial continuo.
Filtrado colaborativo neuronal
Arquitectura de red neuronal que reemplaza los modelos factoriales tradicionales por redes neuronales profundas para modelar las interacciones usuario-ítem. NCF aprende funciones de interacción complejas más allá de la simple multiplicación matricial.
Aprendizaje Wide & Deep
Arquitectura híbrida que combina un modelo amplio (regresión logística) para la memorización y un modelo profundo (red neuronal) para la generalización. Este enfoque captura eficazmente tanto patrones explícitos como implícitos en los datos.
DeepFM (Máquina de Factorización Profunda)
Modelo que unifica las Máquinas de Factorización y las redes neuronales para el aprendizaje de características de bajo y alto nivel simultáneamente. DeepFM comparte los embeddings entre los componentes FM y DNN, optimizando la eficiencia y el rendimiento.
Autoencoders para recomendaciones
Redes neuronales no supervisadas que aprenden representaciones comprimidas de las preferencias de usuario para la recomendación colaborativa. Los autoencoders de eliminación de ruido son particularmente efectivos para manejar datos dispersos y ruidosos.
Recomendaciones basadas en sesión
Sistemas de recomendación que utilizan redes neuronales recurrentes (RNN) para modelar las secuencias de interacciones en una sesión de usuario. Estos modelos capturan la intención temporal y contextual sin necesidad de un perfil de usuario histórico.
Redes neuronales gráficas para recomendaciones
Enfoque que representa los sistemas de recomendación como grafos heterogéneos con nodos de usuarios, ítems y atributos. Las GNNs propagan información a través de las estructuras gráficas para capturar relaciones de orden superior.
Mecanismo de Atención en Recomendaciones
Mecanismo que permite a los modelos de recomendación ponderar de manera diferente los elementos históricos según su relevancia para la predicción actual. La atención mejora significativamente el rendimiento en las recomendaciones secuenciales y contextuales.
Modelos Transformer para Recomendaciones
Arquitectura basada en mecanismos de atención multicabezal para modelar las dependencias a larga distancia en las secuencias de comportamiento del usuario. Los Transformers superan a los RNNs en la captura de patrones complejos y dinámicos.
Arquitectura de Dos Torres
Modelo dual con torres separadas para codificar las características de usuario e ítem en un espacio de embedding común. Esta arquitectura escala eficientemente para millones de ítems gracias al cálculo previo de los embeddings de ítems.
Modelos de Recomendación Secuencial
Modelos de deep learning que capturan la evolución dinámica de las preferencias del usuario a través de secuencias temporales de interacciones. Estas arquitecturas utilizan RNNs, Transformers o GNNs para modelar las dependencias secuenciales.
Red Cruzada Profunda
Arquitectura especialmente diseñada para aprender eficientemente las interacciones cruzadas explícitas de grado arbitrario entre características. DCN combina capas cruzadas eficientes con capas profundas para la generalización.
Autoencoders Variacionales para Recomendaciones
Modelos generativos probabilísticos que aprenden distribuciones latentes de las preferencias del usuario para recomendaciones robustas. Los VAEs gestionan naturalmente la incertidumbre y mejoran la diversidad de las recomendaciones.
Aprendizaje por Refuerzo para Recomendaciones
Enfoque que formula la recomendación como un proceso de decisión de Markov que optimiza las recompensas a largo plazo. Los agentes RL aprenden políticas de recomendación adaptativas que maximizan el compromiso del usuario sostenible.
Aprendizaje Multitarea para Recomendaciones
Paradigma de aprendizaje simultáneo de múltiples objetivos (CTR, CVR, tiempo de sesión) para mejorar la generalización y eficiencia. MTL comparte representaciones mientras especializa tareas específicas.
Problema de Inicio en Frío con Deep Learning
Desafío abordado por arquitecturas de deep learning que utilizan metadatos y redes neuronales para generar embeddings iniciales. Los modelos de transferencia de aprendizaje y los GNNs en grafos de contenido son particularmente efectivos.
Máquinas de Factorización Neuronal
Extensión de las Máquinas de Factorización que integran redes neuronales para capturar interacciones no lineales complejas entre características. NFM combina la eficiencia del FM con el poder expresivo del deep learning.