Music Taste Recommender
Motor de recomendación híbrido orientado a negocio
El problema
Las plataformas de streaming enfrentan el problema de la burbuja de filtro: optimizar sólo relevancia encierra al usuario en lo que ya conoce, sube la fuga a largo plazo y desaprovecha el catálogo.
La solución
Embeddings híbridos de 402 dimensiones que combinan features de audio y semántica de géneros, con una etapa de re-ranking configurable que equilibra relevancia y diversidad según la estrategia de negocio.
Impacto
Rompe la burbuja de filtro subiendo la diversidad de géneros del 19% al 70% sin bajar de 0,89 de relevancia, para que el usuario explore más catálogo en vez de irse - evaluado sobre 500 usuarios simulados y 5 estrategias de negocio configurables.
Desafíos de ingeniería
Desbalance dimensional entre embeddings de audio y género
Los embeddings de género (384 dims) dominaban a las features de audio (18 dims) en la similitud coseno. Un peso 10x sobre el audio restauró el equilibrio sin reentrenar.
Estrategias de negocio configurables sin reentrenar
Objetivos distintos (retención vs descubrimiento) exigían comportamientos distintos. Una etapa de re-ranking con pesos configurables lo resolvió sin tocar el espacio de embeddings.
Aprendizajes
El re-ranking es más flexible que optimizar los embeddings
Optimizar el espacio de embeddings para diversidad exigiría reentrenar. Una etapa liviana de re-ranking logra lo mismo y es configurable en tiempo de ejecución.
Las métricas de negocio se definen antes de evaluar
Definir relevancia, diversidad y score compuesto desde el inicio obligó a tener claro qué estaba optimizando el sistema en realidad.