Amazon: Sistema de recomendacin -> algoritmo tem a tem: Asociando cada producto comprado

por un usuario con una lista de productos similares, que se obtiene en funcin de los elementos que hayan sido adquiridos en un
mismo pedido, aadidos a un carrito de la compra, o almacenados en una wish list.

(Este proceso, como podramos imaginar, puede llegar a ser extremadamente costoso en trminos de computacin.
Pero Amazon se las ha arreglado para implementarlo y ejecutarlo de una forma muy eficiente, de modo que funciona
aceptablemente bien incluso con conjuntos de datos enormes.) El algoritmo falla en productos irrelevantes, al no ser suficientes
los datos recopilados, el algoritmo no funciona.

El factor humano tambin es muy importante, Amazon cuenta con un equipo de personas equipadas con un software equipado
para enviar newsletters por correo electrnico a aquellos usuarios que hayan adquirido un determinado producto. As, por
ejemplo, aquellas personas que hayan comprado los cmics de Futurama estaran interesadas en adquirir un pack con las siete
temporadas de la serie, que en ese momento est de oferta y desde Amazon han decidido promocionarlas.

Por lo tanto:

Sistema recomendador usado como herramienta de marketing.

Al pulsar en Sus recomendaciones se accede a una seccin donde se puede filtrar recomendaciones en determinadas lneas de productos.

Se trata, por tanto, de un sistema de filtrado colaborativo tem-to-Item, es decir, que son recomendaciones contextuales por productos.

Las recomendaciones estn basadas en registros de compras anteriores del cliente y corresponde al clculo de una matriz de similitud de elementos
con un algoritmo optimizado a escala con los volmenes manejados por Amazon.

Inicialmente el algoritmo construa una tabla de elementos similar basndose en la bsqueda de elementos que los clientes tienden a comprar
conjuntamente.

A veces no existan coincidencias entre clientes, lo cual convirti en ineficiente el algoritmo. Por ello, posteriormente surgi otro algoritmo iterativo:

Cada vector corresponde a un producto y el vector M-dimensional corresponde los clientes que hayan adquirido ese producto.

Para construir la tabla con los productos similares, el algoritmo encuentra artculos similares a cada una de las compras del usuario y para
recomendar posteriormente los artculos ms populares o relacionados.

Algoritmo de clculo rpido.