Los sistemas de recomendación tradicionales suelen depender de la recopilación de datos centralizados, lo que puede comprometer la privacidad del usuario y limitar el control individual sobre las preferencias. En cambio, el aprendizaje federado permite generar recomendaciones sin transferir datos personales fuera del dispositivo. Este estudio presenta un sistema de recomendación federado en vivo que empodera a los usuarios para dictar sus preferencias de recomendación mientras mantiene la privacidad de los datos. Durante un período de 53 días, 22 participantes interactuaron con un catálogo de 8,807 artículos, alternando entre recomendaciones personalizadas y centradas en la diversidad. Los hallazgos revelan que, al tener la opción, los usuarios prefieren sugerencias personalizadas, logrando una tasa de clics del 65.37% en comparación con el 62.07% para las opciones diversas. Los participantes también demostraron un alto nivel de compromiso con el sistema, reflejado en una puntuación de satisfacción de 3.93 sobre 5 y 248 ajustes realizados en sus configuraciones. Además, los usuarios adquirieron conocimientos sobre cómo sus interacciones influían en las recomendaciones que recibían, gracias a mecanismos de retroalimentación inmediata. Esta investigación ilustra que es factible combinar autonomía del usuario, privacidad y recomendaciones personalizadas efectivas dentro de un marco funcional.
Sistemas de Recomendación Federados: Empoderando a los Usuarios
Este artículo investiga un sistema de recomendación federado innovador que prioriza el control y la privacidad del usuario mientras mejora la personalización.
4 min readTecnología