Jueves 22 de octubre de 2026 ·
Más candidatos sin más aciertos: análisis de un experimento de recomendación con LightGBM
La autora evalúa un sistema de recomendación con LightGBM que elige hasta 20 productos de hasta 300 candidatos, usando el conjunto de datos Coveo SIGIR eCOM 2021. De 748 sesiones con compra registrada en el periodo de prueba, el Hit@20 fue de 58,96 %, con 307 fallos. En 278 de ellos el ranking nunca recibió el producto objetivo, por lo que amplió los candidatos a 370 para comprobar si mejoraban los aciertos. El artículo concluye que esa ampliación no aumentó el Hit@20.
Qué significa
En sistemas de recomendación, muchos productos comprados se pierden antes de llegar al modelo que los ordena, así que el cuello de botella puede estar en la selección de candidatos. Ampliar esa lista no garantiza más aciertos.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- Habr Machine Learning (RU)Leer la noticia completa en Habr Machine Learning (RU)
También ese día
Todas las noticias de IA del jueves 22 de octubre de 2026 ->