Practical Recommender Systems

Tratado exhaustivo y de corte práctico publicado por Manning en 2019, enteramente consagrado a la ingeniería y despliegue de sistemas de recomendación en entornos reales. Kim Falk diseñó este manual para desarrolladores de software, ingenieros backend y profesionales de datos de nivel intermedio que cuentan con fluidez en Python (versión 3) y nociones básicas de desarrollo web o bases de datos, con el objetivo de aprender a diseñar algoritmos de personalización similares a los de Netflix, Amazon o Spotify sin caer en abstracciones exclusivamente académicas.

El contenido abarca el ciclo de vida completo de un recomendador: captura de eventos de navegación y modelado del usuario distinguiendo entre calificaciones explícitas y señales implícitas (vistas, duración de sesión, compras), resolución del problema de arranque en frío (cold start) mediante recomendaciones no personalizadas y reglas de asociación, filtrado basado en contenido, filtrado colaborativo de vecindarios (usuario-usuario e ítem-ítem estilo Amazon), factorización de matrices latentes con Funk SVD y diseño de arquitecturas híbridas. Las herramientas empleadas incluyen Python 3, el framework Django para estructurar la aplicación y los servicios REST, bases de datos relacionales, Pandas, NumPy y Scikit-learn, además de cubrir métricas de precisión offline (RMSE, MAE) y metodologías de evaluación en vivo con pruebas A/B.

El núcleo práctico del libro es la construcción guiada de «MovieGEEKs», una plataforma web completa de películas dotada de recolector de clics, APIs de inferencia en tiempo real y cuadros de mando de analítica de negocio. Su aporte fundamental radica en enseñar a resolver fricciones habituales de producción —como la latencia de respuesta, el sesgo en datos implícitos y el diseño de experimentos A/B— que rara vez se tratan en la literatura tradicional, dejando fuera modelos de redes neuronales profundas para priorizar técnicas consolidadas y mantenibles. Constituye una de las referencias más completas y realistas para llevar sistemas de recomendación a producción.