Descubra cómo FinalMLP transforma las recomendaciones en línea: desbloqueando experiencias personalizadas con investigación de IA de vanguardia
Esta publicación fue escrita en coautoría con Rafael Guedes.
El mundo ha evolucionado hacia una era digital en la que todos tienen casi todo lo que desean a un clic de distancia. Estos beneficios de accesibilidad, comodidad y gran cantidad de ofertas traen consigo nuevos desafíos para los consumidores. ¿Cómo podemos ayudarlos a obtener opciones personalizadas en lugar de buscar entre un océano de opciones? Ahí es donde entran los sistemas de recomendación.
Los sistemas de recomendación son útiles para que las organizaciones aumenten las ventas cruzadas y de artículos de cola larga y mejoren la toma de decisiones analizando qué es lo que más les gusta a sus clientes. No solo eso, pueden aprender comportamientos pasados de los clientes para, dado un conjunto de productos, clasificarlos según una preferencia específica del cliente. Las organizaciones que utilizan sistemas de recomendación están un paso por delante de la competencia, ya que brindan una experiencia mejorada al cliente.
En este artículo, nos centramos en FinalMLP, un nuevo modelo diseñado para mejorar las predicciones de la tasa de clics (CTR) en los sistemas de recomendación y publicidad online. Al integrar dos redes de perceptrón multicapa (MLP) con funciones avanzadas como capas de agregación de interacción y activación, FinalMLP supera a los modelos MLP tradicionales de flujo único y a los modelos CTR sofisticados de dos flujos. Los autores probaron su eficacia en conjuntos de datos de referencia y pruebas A/B en línea del mundo real.
Además de brindar una vista detallada de FinalMLP y cómo funciona, también brindamos un tutorial sobre cómo implementarlo y aplicarlo a un conjunto de datos públicos. Probamos su precisión en una configuración de recomendación de libros y evaluamos su capacidad para explicar las predicciones, aprovechando la arquitectura de dos flujos propuesta por los autores.
Como siempre, el código está disponible en nuestro GitHub.