Glosario IA
El diccionario completo de la Inteligencia Artificial
Recomendación Secuencial
Enfoque de sistemas de recomendación que modela el orden cronológico de las interacciones del usuario para predecir los próximos intereses. A diferencia de los métodos tradicionales, captura las dependencias temporales y la evolución de las preferencias.
Recomendación basada en sesión
Subdominio de la recomendación secuencial que se concentra en las interacciones dentro de una única sesión de usuario. No requiere historial a largo plazo y se basa en el comportamiento inmediato para generar recomendaciones relevantes.
Proceso de Decisión de Markov
Modelo matemático formal para la toma de decisiones secuenciales donde los estados futuros dependen únicamente del estado actual y de la acción realizada. Aplicado a los sistemas de recomendación para modelar las transiciones entre los ítems.
GRU4Rec
Arquitectura de red neuronal recurrente basada en las Unidades Recurrentes Portilladas (GRU) específicamente diseñada para la recomendación basada en sesión. Utiliza mecanismos de atención y técnicas de muestreo para mejorar el rendimiento en datos secuenciales.
BERT4Rec
Modelo de recomendación secuencial adaptado de la arquitectura BERT que utiliza transformadores bidireccionales para capturar las dependencias contextuales. Aplica el enmascaramiento de ítems como tarea de preentrenamiento para aprender representaciones secuenciales robustas.
Recomendación basada en Transformer
Clase de modelos que utilizan la arquitectura Transformer para capturar las dependencias a larga distancia en las secuencias de interacciones. Estos modelos superan a los RNN tradicionales gracias a los mecanismos de atención multicabezal.
Minería de Patrones Secuenciales
Proceso de extracción de patrones frecuentes y ordenados en las secuencias de transacciones de usuarios. Estos patrones sirven de base para entender los comportamientos típicos y generar recomendaciones basadas en las tendencias observadas.
Predicción del Siguiente Ítem
Tarea fundamental de la recomendación secuencial que consiste en predecir el siguiente ítem con el que es probable que interactúe un usuario. Sirve como objetivo de entrenamiento para la mayoría de los modelos secuenciales modernos.
Dinámicas Temporales
Fenómeno donde las preferencias del usuario evolucionan con el tiempo, requiriendo modelos que capturen estos cambios graduales. Los sistemas de recomendación secuenciales integran estas dinámicas para mantener la relevancia de las sugerencias.
Modelado de Sesión de Usuario
Técnica de representación de las interacciones del usuario dentro de una sesión como una secuencia ordenada significativa. Permite capturar la intención a corto plazo y el contexto de navegación para recomendaciones instantáneas.
Embedding Secuencial
Representación vectorial de items o usuarios que preserva la información secuencial y contextual de las interacciones. Estos embeddings capturan tanto las características intrínsecas como las relaciones temporales entre los items.
SASRec
Self-Attentive Sequential Recommendation, modelo pionjero que utiliza únicamente mecanismos de atención para la recomendación secuencial. Captura eficazmente las dependencias a larga distancia sin las limitaciones de las RNN tradicionales.
NARM
Neural Attentive Recommendation Machine, modelo que combina RNN y mecanismo de atención para la recomendación basada en sesión. Captura tanto el comportamiento secuencial global como las intenciones principales de la sesión actual.
STAMP
Short-Term Attention/Memory Priority Model, arquitectura que se centra en las últimas interacciones para la recomendación basada en sesión. Utiliza la atención para ponderar la importancia de los diferentes items en la memoria a corto plazo.
Recomendación Consciente del Tiempo
Enfoque que integra explícitamente la información temporal (timestamps, duraciones, ciclos) en los modelos de recomendación. Mejora la precisión capturando los patrones temporales y la recencia de las interacciones.
Arranque en Frío Secuencial
Desafío específico de los sistemas secuenciales al recomendar para nuevos usuarios o items con poco o ningún historial. Las soluciones incluyen el transfer learning y los modelos basados en sesiones para mitigar este problema.
Recomendación Secuencial basada en GNN
Enfoque que utiliza las Redes Neuronales de Grafos para modelar las relaciones complejas entre ítems en las secuencias. Captura eficazmente las transiciones de estados y las estructuras de grafo implícitas en los datos secuenciales.
Modelado Secuencial Jerárquico
Técnica que modela las secuencias en varios niveles de abstracción (sesiones, días, semanas) para capturar los patrones a diferentes escalas temporales. Permite una comprensión más matizada del comportamiento del usuario.
Aprendizaje Secuencial Contrastivo
Paradigma de aprendizaje que utiliza el aprendizaje contrastivo para mejorar las representaciones secuenciales maximizando la similitud entre vistas positivas de la misma secuencia. Refuerza la robustez del modelo contra el ruido y los datos dispersos.