Un algoritmo de personalización que analiza los intereses potenciales del usuario a partir de descripciones textuales.
A partir del texto escrito por el usuario y con un mínimo de recursos de cálculo, identifica sus preferencias cualitativas (vanguardistas, pop, lujosas, modernas, etc.), elimina discrepancias en las recomendaciones y respuestas de productos, y logra una personalización precisa para gustos diversos.
Basándonos en las propiedades geométricas de un hiperespacio lingüístico y en nuestro propio algoritmo matemático de aprendizaje automático, podemos analizar las preferencias y rasgos de personalidad descritos en el texto sin necesitar la acumulación de datos de comportamiento. Esto se logra mediante un algoritmo de hiperplano semántico único en el espacio de incrustación de vocabulario, que define grupos conceptuales a través de antónimos y opera con un tiempo de cálculo mínimo. Gracias a este enfoque, inferimos tendencias sutiles incluso en usuarios con un historial de comportamiento limitado o información inicial escasa, mejorando así la capacidad de la plataforma para la recomendación de productos, la personalización y las sugerencias. (Patente concedida: N.º de patente 7393772)
También resuelve el problema de inicio en frío ocasionado por la falta de acumulación de datos de comportamiento inicial, un desafío recurrente en los sistemas de recomendación convencionales.
En los algoritmos de recomendación convencionales, no funcionan hasta que se ha acumulado suficiente información de comportamiento, lo que los vuelve ineficaces para los nuevos usuarios, precisamente los más importantes. Este problema se conoce como el problema de arranque en frío (o cold start), un defecto fatal de los algoritmos tradicionales. Por el contrario, el algoritmo LSH no requiere la acumulación de datos de comportamiento; basta con un breve texto descriptivo del usuario para inferir de inmediato sus intereses. De este modo, puede ofrecer personalización inmediata incluso a los nuevos usuarios en su etapa inicial.
En esta era posterior a los medios masivos, puede complementar de manera precisa los gustos y preferencias cada vez más diversos y segmentados de la sociedad actual.
Los algoritmos de recomendación basados en bases de datos de comportamiento, en última instancia, han garantizado su precisión sugiriendo siempre productos populares entre la mayoría, lo que ha suscitado críticas por no responder adecuadamente a los gustos y preferencias más diversos.
Al mismo tiempo, en el entorno actual donde los medios de comunicación de masas están desapareciendo gradualmente, se hace necesaria la existencia de algoritmos de personalización capaces de adaptarse a intereses cada vez más diversos.
Gracias a su exclusiva geometría hiperespacial del lenguaje, el algoritmo LSH puede definir y captar libremente vectores de interés de nicho, como a quienes les gustan las cosas simples, las cosas inusuales, las cosas llamativas, las cosas prácticas o las cosas de los años 60.
