Desarrollo de un sistema de recomendación utilizando técnicas de Deep Learning: Evolución del recomendador de Movistar+

Los sistemas de recomendación son una de las aplicaciones del “machine learning” más extendidas en la actualidad. Se emplean en múltiples ámbitos como la publicidad, el comercio electrónico y plataformas de contenido multimedia. En este proyecto se aborda el desarrollo de un sistema de recomendación de contenidos multimedia para la plataforma de Movistar+ utilizando técnicas de “deep learning” y explorando diferentes estrategias de entrenamiento distribuido.
Existen diferentes tipos o enfoques de sistemas de recomendación, siendo los más populares los sistemas de recomendación basados en contenidos y los basados en filtrado colaborativo y factorización de matrices. La solución empleada actualmente para el algoritmo de recomendación de la plataforma de Movistar+, combina un sistema de recomendación basado en contenidos con un sistema basado en filtrado colaborativo y. si bien funciona correctamente, presenta algunas limitaciones.
El modelo desarrollado genera recomendaciones de calidad, siendo capaz de aprender relaciones entre usuarios, contenidos y contextos sin necesidad de introducir reglas adicionales a posteriori. Además, el modelo es capaz de adaptarse a nuevos contextos, usuarios y dispositivos, generando recomendaciones adecuadas en estas situaciones.
Por otro lado, el tiempo de entrenamiento del modelo es comparable al del recomendador implementado actualmente. No obstante, el recomendador actual ha de ejecutarse cada noche y genera recomendaciones para todos los usuarios cada día, mientras que el modelo desarrollado no necesita entrenarse a diario y puede generar las recomendaciones bajo demanda.
Además, cabe destacar que este modelo ofrece una gran flexibilidad, permitiendo introducir fuentes de información adicionales de forma sencilla.
Por último, se ha observado que el entrenamiento distribuido permite reducir considerablemente el tiempo de entrenamiento total, logrando una reducción superior al 90% en los casos estudiados.

Recommender systems are one of the most widespread applications of machine learning. They are used for multiple and diverse applications such as advertisement, e-commerce and multimedia streaming platforms. This project focuses on the development of a deep learning recommender system for the Movistar+ platform, also exploring different distributed training strategies.
There are different approaches for implementing recommender systems, with content-based recommender systems and collaborative filtering and matrix factorization recommender systems being the most popular ones. The system that is currently implemented for the Movistar+ platform, combines content-based and collaborative filtering recommender systems and even though it performs well, it has some limitations.
The developed model generates good quality recommendations, being able to learn the relationships between users, contents, and contexts effectively without having to introduce additional complex rules and postprocessing.
Regarding the time required for training the model, it is similar to the time needed by the current system. However, the current system needs to be trained daily, while the new model does not need to be trained daily and can generate recommendations on demand.
In addition, this model offers great flexibility, allowing to introduce additional sources of information in a simple way.
Lastly, it has been observed that distributed training allows to significantly reduce the training time, achieving a greater than 90% reduction in all the test cases.