El rápido crecimiento de plataformas digitales ha amplificado la demanda de sistemas de recomendación inteligentes y personalizados. Los métodos tradicionales colaborativos y basados en contenido a menudo sufren de problemas de arranque en frío, escasez y modelado contextual limitado, mientras que las soluciones basadas en transformadores, aunque poderosas, son computacionalmente exigentes. Este estudio propone un sistema de recomendación híbrido enriquecido por sentimientos que integra las representaciones Sentence-BERT (SBERT), el análisis de sentimientos basado en aspectos (ABSA) y métodos de filtrado colaborativo basados en calificaciones (SVD, ALS). Se exploraron dos estrategias de hibridación: (i) fusión ponderada de señales colaborativas y textuales y (ii) concatenación de características con Gradient Boosting y Redes Neuronales Superficiales. Experimentos extensivos en conjuntos de datos de IMDb y Amazon muestran que el modelo híbrido supera tanto a los baselines tradicionales como a los avanzados. La hibridación por concatenación de características logró el mejor rendimiento, con un MAE de 0.55, un RMSE de 0.67 y un F1-score de 0.83, lo que representa mejoras de hasta el 25% en MAE y del 17% en RMSE sobre modelos convencionales. La comparación con el baseline del transformador BERT4Rec confirmó que nuestro enfoque logra una precisión comparable con un menor costo computacional. Un estudio de usuarios controlado con 50 participantes validó aún más el sistema, con el modelo híbrido recibiendo la calificación de satisfacción más alta (4.4/5). Además, la visualización de atención y el análisis SHAP mejoraron la interpretabilidad, haciendo que las recomendaciones fueran más transparentes. El marco propuesto ofrece un enfoque escalable, eficiente en recursos y explicable para la recomendación de nueva generación, con amplias aplicaciones en comercio electrónico, educación y salud.
Danish et al. (Mon,) estudiaron esta cuestión.