Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 20-29
https://revistas.ulasalle.edu.pe/innosoft
Esta obra est´a bajo una Licencia
Creative Commons Atribuci´on
4.0 Internacional.
Tipo de art´ıculo: Art´ıculos originales
Tem´atica: Inteligencia artificial
Recibido: 17/6/2025 | Aceptado: 30/7/2025 | Publicado: 30/3/2026
Identificadores persistentes:
DOI: 10.48168/innosoft.s29.a239
ARK: ark:/42411/s29.a239
Aprendizaje autom´atico en Sistemas de Recomendaci´on para
plataformas de Streaming y Redes Sociales
Machine Learning in Recommender Systems for Streaming
and Social Networking Platforms
Luis Daniel Zavaleta Mego
1[0009-0006-6453-9277]*
, Alexander Josu´e Venturo
Ramos
2[0009-0003-4203-134X]
, Marcelino Torres Villanueva
3[0000-0002-9797-1510]
1
Universidad Nacional de Trujillo. Trujillo, Per´u.. lzavaletam@unitru.edu.pe
2
Universidad Nacional de Trujillo. Trujillo, Per´u.. aventuror@unitru.edu.pe
3
Universidad Nacional de Trujillo. Trujillo, Per´u.. mtorres@unitru.edu.pe
∗
Autor para correspondencia: lzavaletam@unitru.edu.pe
Resumen
El uso de las plataformas de transmisi´on en vivo y las redes sociales ha llevado a una veloz transformaci´on
de los servicios de contenido en l´ınea, lo que convierte una gran cantidad de datos para los usuarios. Esto
hace fundamental el uso de sistemas de recomendaci´on, los cuales se basan en un aprendizaje autom´atico
(machine learning) para filtrar y personalizar el contenido a mostrar. En este art´ıculo se examinan los m´etodos
computacionales empleados en estos sistemas, con especial atenci´on en plataformas como Netflix, Spotify,
Facebook y Twitter. El enfoque de investigaci´on incorpor´o factores cuantitativos, cualitativos y semi´oticos,
dando como resultado una evaluaci´on integral que incorpora aspectos socioculturales y la experiencia del
usuario. A lo largo del art´ıculo se ir´an evaluando varias t´ecnicas algor´ıtmicas, tales como el filtrado colaborativo,
filtrado basado en contenido y modelos h´ıbridos con aprendizaje profundo (deep learning). De la misma forma,
se evalu´o la calidad de las recomendaciones y sugerencias por medio de una combinaci´on de estudios cualitativos
sobre su importancia y satisfacci´on de los usuarios. Finalmente, se llev´o a cabo un estudio semi´otico y cultural
para investigar el efecto de las interfaces y algoritmos en las pr´acticas de consumo y formaci´on de identidad
cultural. Los hallazgos indican un cambio hacia modelos m´as avanzados, pero trayendo consigo nuevos desaf´ıos.
Palabras claves: Sistemas de recomendaci´on, aprendizaje autom´atico.
Abstract
The use of live streaming platforms and social media has led to a rapid transformation of online content services,
which converts a large amount of data for users. This makes it essential to use recommender systems, which rely
on machine learning to filter and personalise the content to be displayed. This paper examines the computational
methods employed in these systems, with a particular focus on platforms such as Netflix, Spotify, Facebook
and Twitter. The research approach incorporated quantitative, qualitative and semiotic factors, resulting in a
comprehensive evaluation that incorporates socio-cultural aspects and user experience. Throughout the article,
various algorithmic techniques such as collaborative filtering, content-based filtering and hybrid models with
deep learning will be evaluated. In the same way, the quality of recommendations and suggestions was evaluated
through a combination of qualitative studies on their importance and user satisfaction. Finally, a semiotic and
cultural study was carried out to investigate the effect of interfaces and algorithms on consumption practices
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
20
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 20-29
https://revistas.ulasalle.edu.pe/innosoft
and cultural identity formation. The findings indicate a shift towards more advanced models, but bring with
them new challenges.
Keywords: Recommendation systems, machine learning.
Introducci´on
Actualmente, el consumo de contenidos online est´a creciendo a un ritmo sin precedentes, esto es por causa
del f´acil acceso a plataformas de streaming y la participaci´on activa de un gran n´umero de usuarios en redes
sociales. Toda esta cantidad de informaci´on que incluye series, pel´ıculas, m´usica, e incluso publicaciones y
noticias, es demasiada para el usuario medio. En este contexto, los sistemas de recomendaci´on, basados en
tecnolog´ıa de machine learning, se han convertido en una importante herramienta para filtrar, priorizar y
finalmente recomendar contenidos relevantes, mejorar la experiencia del usuario y la eficacia en la difusi´on de
informaci´on.
Los sistemas de recomendaci´on han evolucionado desde enfoques tradicionales como el filtrado colaborativo
hasta modelos avanzados basados en el aprendizaje profundo. [1] afirman que: ”las recomendaciones perso-
nalizadas representan uno de los m´etodos m´as eficaces para manejar la sobrecarga de informaci´on y ofrecer
a los usuarios las cosas que m´as les interesan”, lo que lleva a la creaci´on de sistemas que pueden aprender
preferencias basadas en el comportamiento. y experiencia de usuario.
As´ı incluso, plataformas como YouTube han implementado t´ecnicas sofisticadas y utilizan redes neuronales
profundas para mejorar la selecci´on y clasificaci´on de contenidos. Seg´un [2], este enfoque mejora la relevancia
de las aplicaciones al capturar patrones complejos en grandes cantidades de datos.
De igual forma, en el mundo de las redes sociales, la personalizaci´on es clave. [3] se˜nal´o que “los sistemas de
recomendaci´on basados en aprendizaje profundo tienen el potencial de aprender representaciones m´as ricas y
expresivas en m´ultiples niveles de abstracci´on” para adaptar mejor las recomendaciones al contexto del usuario.
Esto es importante en un entorno donde el contenido es diverso y la informaci´on se actualiza constantemente.
Este art´ıculo profundizar´a en las t´ecnicas actuales que se emplean en sistemas de recomendaci´on para pla-
taformas de streaming y redes sociales, y presentar´a el estado del arte, su metodolog´ıa computacional y los
resultados m´as relevantes alcanzados en el campo.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
21
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 20-29
https://revistas.ulasalle.edu.pe/innosoft
Materiales y m´etodos o Metodolog´ıa computacional
Este estudio fusiona t´ecnicas cuantitativas, cualitativas y semi´oticas para analizar los sistemas de recomen-
daci´on usados en plataformas de streaming y redes sociales, con un enfoque en el efecto de algoritmos de
machine learning sobre distintas formas de consumo cultural y la industria de contenidos. Seg´un las perspec-
tivas te´oricas y emp´ıricas presentadas [4], [5] y [6], se incluy´o un enfoque que trasciende m´as all´a de la mera
evaluaci´on algor´ıtmica, a˜nadiendo observaciones socio-culturales, discursivas y de experiencia del usuario. Asi-
mismo, se va construyendo una metodolog´ıa integral que discute con lo heterog´eneo del fen´omeno moderno de
la recomendaci´on automatizada.
Selecci´on y obtenci´on de datos
Se trabaj´o con datos obtenidos de plataformas de streaming (Netflix, Spotify) y redes sociales (Facebook,
Twitter). En el caso de Netflix, se contemplaron metadatos relevantes como:
Historiales de visualizaci´on (qu´e contenidos se han visto, por cu´anto tiempo, en qu´e orden y con qu´e
frecuencia).
Acciones del usuario, como abandonar una serie sin finalizarla, calificarla o marcarla como favorita.
Informaci´on exhaustiva sobre el contenido, incluyendo la clasificaci´on detallada (etiquetas, g´eneros, tonos
narrativos, presencia de violencia, contexto pol´ıtico, entre otros), asignada manualmente por expertos
humanos, seg´un [7] y [6].
Para las redes sociales se registraron interacciones tales como “me gusta”, compartidos, retuits, comentarios
y tiempo de atenci´on a ciertos contenidos. Estas se˜nales comportamentales, junto con las relaciones entre
usuarios (contactos, seguidores, seguidos) y las din´amicas del newsfeed, sirvieron para comprender la forma en
que se introducen recomendaciones y c´omo estas son recibidas. Con el fin de preservar la privacidad, toda la
informaci´on fue anonimizada y procesada bajo lineamientos ´eticos. Los datos se almacenaron en una base de
datos relacional, garantizando la integridad, coherencia y trazabilidad de la informaci´on.
Preprocesamiento, limpieza y representaci´on de datos
Antes de aplicar modelos de recomendaci´on, se llev´o a cabo un minucioso preprocesamiento de los datos. Esto
incluy´o:
Limpieza de datos faltantes o inconsistentes.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
22
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 20-29
https://revistas.ulasalle.edu.pe/innosoft
Normalizaci´on de variables cuantitativas y categorizaci´on de variables cualitativas.
Procesamiento del lenguaje natural (lemmatizaci´on, remoci´on de stopwords) para el an´alisis de metadatos
textuales y descripciones de contenido.
Esta etapa garantiza la calidad y consistencia de los insumos utilizados en las fases posteriores, permitiendo
que los algoritmos pudieran operar sobre informaci´on estructurada, homog´enea y relevante.
Modelos y t´ecnicas algor´ıtmicas de recomendaci´on
Se evaluaron distintas aproximaciones algor´ıtmicas:
Filtrado Colaborativo: Se emplearon m´etodos basados en correlaciones entre preferencias de usuarios,
considerando que aquellos con historiales de consumo similares tender´ıan a interesarse por los mismos
´ıtems. Estas t´ecnicas capturan patrones grupales, aline´andose con la l´ogica de maximizar valor tanto
para el comprador (usuario) como para el vendedor (plataforma), se˜nalada por [6].
Filtrado Basado en Contenido: Se tomaron en cuenta las caracter´ısticas intr´ınsecas de los contenidos
(por ejemplo, clasificaci´on minuciosa de g´eneros, tem´aticas, estilos narrativos). Esta estrategia se inspira
en el trabajo de Netflix, donde cada contenido se etiqueta de forma rigurosa, lo que a su vez fortalece
la capacidad de predecir afinidades no triviales, esto seg´un [7] y [6]. Este enfoque tambi´en permite
comprender c´omo la indexaci´on manual, por parte de expertos, se articula con la l´ogica semi´otica de la
curadur´ıa automatizada discutida por [4].
Modelos H´ıbridos y Aprendizaje Profundo (Deep Learning): Se exploraron algoritmos combinados que
integran el filtrado colaborativo con el basado en contenido, as´ı como redes neuronales capaces de cap-
turar patrones temporales y contextuales en las secuencias de consumo. Estas aproximaciones buscan
trascender la mera repetici´on de lo ya conocido, introduciendo elementos novedosos que contrarresten el
riesgo de “sobre-personalizaci´on” (Jaffe, citado en [6]).
Evaluaci´on de la calidad de las recomendaciones
La evaluaci´on se realiz´o cuantitativamente, empleando m´etricas est´andar en sistemas de recomendaci´on:
Precisi´on (Precision@k): Porcentaje de ´ıtems recomendados relevantes para el usuario dentro de las
primeras k sugerencias.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
23
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 20-29
https://revistas.ulasalle.edu.pe/innosoft
Cobertura (Recall@k): Competencia o habilidad del sistema para recomendar una conformidad signifi-
cativa de los apartados importantes verdaderos en el cat´alogo.
NDCG (Normalized Discounted Cumulative Gain): Calcula la calidad del orden de las sugerencias pon-
derando lo m´as importante y la postura de las recomendaciones.
Adem´as, se estudi´o la variedad y la innovaci´on de las sugerencias, partes necesarias para no conseguir la
conformaci´on de burbujas de filtrado y uniformizaci´on del gusto ( [6]; [5]).
Comparablemente, se realizaron verificaciones cualitativas, examinando la importancia reconocida por usua-
rios simulados, la presencia de contenidos imprevistos o “sorpresivos”, y el nivel de agrado con la experiencia
de descubrimiento cultural. Estas facetas cualitativas, motivadas en las observaciones de [6] sobre la heteroge-
neidad sociocultural del consumo, a˜nadieron las m´etricas cuantitativas, proporcionando una vista m´as rica y
suavizada.
An´alisis semi´otico, cultural y discursivo
La metodolog´ıa no se limit´o a aspectos o deficiencias t´ecnicas. Se a˜nadi´o un examen cualitativo alimentado en
la semi´otica y el an´alisis de las l´ogicas discursivas ( [4]; [5]). Tambi´en, se evalu´o la interfaz de las plataformas,
visualizando c´omo la organizaci´on espacial, los rankings y las portadas, que aparecen al inicio de la plataforma,
(homepage) incentivan sugerencias impl´ıcitas, naturalizando ciertas jerarqu´ıas y categor´ıas. En adici´on, se
revis´o la faceta del gusto y la distinci´on cultural, tratando el modo en que los algoritmos segmentan a los
usuarios y transmiten sobre ellos una originalidad o identidad basada en el consumo anteriormente hecho.
As´ı mismo, se consider´o las cr´ıticas y tensiones descritas por [6], a˜nadiendo las necesidades sobre la estan-
darizaci´on de preferencias, el potencial decaimiento cultural y la disminuci´on de la curiosidad exploratoria.
Estas contribuciones dieron pase a una vista m´as extensa y cr´ıtica sobre el papel del algoritmo, apreciando
la complejidad de las motivaciones humanas, la influencia del gusto a elementos sociales y la poca chance de
minimizar la experiencia cultural a simples correlaciones estad´ısticas.
Validaci´on contextual y triangulaci´on te´orica
Finalmente, se puso en marcha una triangulaci´on te´orica, comparando los resultados emp´ıricos conseguidos
con el panorama planteado por diferentes autores. Por ejemplo, se correlacion´o la capacidad algor´ıtmica con
la cr´ıtica a la “filtro burbuja” (Sang¨uesa, citado en [6]) y con la idea de que la hiper disposici´on de contenidos
no todas las veces se traduce en alta satisfacci´on cultural (Verd´u, 2016; Heath, 2015, citado en [6]). Esta
triangulaci´on permiti´o incorporar matices, evitando caer en el determinismo tecnol´ogico y reconociendo las
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
24
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 20-29
https://revistas.ulasalle.edu.pe/innosoft
limitaciones inherentes a los sistemas de recomendaci´on.
De este modo, la metodolog´ıa se apoya en un enfoque integrador: por un lado, la rigurosidad cuantitativa y la
sofisticaci´on algor´ıtmica; por el otro, la lectura cr´ıtica y cultural que considera la intervenci´on humana (eti-
quetadores, programadores, usuarios), las din´amicas discursivas y las contradicciones propias de las pr´acticas
de consumo en el ecosistema digital contempor´aneo
Resultados y discusi´on
En su conjunto, la informaci´on descrita en estos gr´aficos muestra el aumento centralizado de las sugerencias
automatizadas en la experiencia del usuario, as´ı como la heterogeneidad y abundancia de las variables tomadas
en cuenta para embellecer su calidad. Adem´as, se tiene como certeza que un cierto tama˜no significativo del
consumo se origina de recomendaciones personalizadas, lo que resalta el papel primordial de los algoritmos de
machine learning en la ubicaci´on de contenidos en ambientes de mayor sobrecarga informativa. Tambi´en, el
aumento gradual en la calidad del ranking al a˜nadir diferentes or´ıgenes de datos (no solo ratings, sino tambi´en
popularidad, metadatos, circunstancias contextuales y sociales) proporciona que los modelos han difundido
la vista inicial centrado en una m´etrica ´unica para abarcar m´ultiples dimensiones del gusto y las condiciones
de uso. Por ´ultimo, el reparto de elementos que forman el modelo de sugerencia se˜nala que la incorporaci´on
equilibrada de criterios (pron´ostico de afinidad, diversidad, contexto, aspectos sociales) es crucial para brindar
una experiencia m´as ´ıntegra y precisa a las prioridades personales. De este modo, se consolida la idea descrita
en la introducci´on y la metodolog´ıa: la sugerencia moderna en streaming y redes sociales es un fen´omeno
multifac´etico, en el que juntan tecnolog´ıa, comportamiento del usuario y din´amicas culturales.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
25
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 20-29
https://revistas.ulasalle.edu.pe/innosoft
Figura 1. Consumo Basado en Recomendaci´on vs. Selecci´on Manual (Caso Netflix)
En la 1, se presenta la proporci´on aproximada de contenido consumido en la plataforma a partir de las
recomendaciones personalizadas en comparaci´on con las b´usquedas directas. Este gr´afico ilustra que cerca del
75 % de la visualizaci´on total proviene de sugerencias autom´aticas, evidenciando la influencia central de los
sistemas de recomendaci´on en la experiencia del usuario.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
26
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 20-29
https://revistas.ulasalle.edu.pe/innosoft
Figura 2. Incremento en la calidad del rating
La 2 muestra c´omo la calidad del ranking de las recomendaciones (medida a trav´es de una m´etrica como
NDCG) mejora progresivamente al agregar nuevas fuentes de datos: partiendo ´unicamente de la popularidad
del contenido, luego incorporando predicci´on de ratings, metadatos (g´eneros, directores), factores contextuales
(hora, dispositivo) y finalmente informaci´on social. Cada barra refleja el aumento incremental de precisi´on al
sumar dichas capas informativas.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
27
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 20-29
https://revistas.ulasalle.edu.pe/innosoft
Figura 3. Distribuci´on porcentual de factores en la recomendaci´on final
En la 3, se presenta la distribuci´on estimada de los factores que intervienen en el modelo final de recomendaci´on.
En este gr´afico, el peso relativo de variables como el rating predictivo, la popularidad, la diversidad, el contexto
y los datos sociales se combina para lograr un balance ´optimo. Esta estructura ratifica que las sugerencias no
satisfacen a un solo principio, sino a la incorporaci´on meticulosa de diversas dimensiones.
Conclusiones
El estudio ha demostrado la relevancia de los sistemas de recomendaci´on que utilizan machine learning, en
el consumo masivo de contenido actual. Despu´es de realizar un an´alisis exhaustivo, entre el uso de m´etodos
cualitativos y cuantitativos, se investig´o c´omo estas herramientas no solo optimizan la experiencia del usuario,
sino que tambi´en influyen fuertemente en la cultura y din´amica referente a la industria de contenidos. Los
resultados obtenidos muestran el impacto real de los algoritmos y los sistemas de recomendaci´on, porque el
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
28
Revista Innovaci´on y Software
Vol. 7, No. 1, Mes Marzo - Agosto, 2026
ISSN: 2708-0935
P´ag. 20-29
https://revistas.ulasalle.edu.pe/innosoft
75 % del consumo en plataformas populares, como Netflix, se deben a estos sistemas.
A lo largo del art´ıculo se enfatiza en la integraci´on de diferentes fuentes de datos, como ratings, metadatos y
factores contextuales, logrando as´ı el desarrollo de modelos h´ıbridos y el uso de deep learning, lo cual se relaciona
con una mejor experiencia del usuario, basado en relevancia y precisi´on. Finalmente, si bien se han logrado
avances importantes, tambi´en se ha identificado algunos desaf´ıos a enfrentar, como la sobre-personalizaci´on y
estandarizaci´on de gustos.
Contribuci´on de Autor´ıa
Luis Zavaleta Mego: Conceptualizaci´on, Investigaci´on, Software, Redacci´on - borrador original. Alexander Ven-
turo Ramos: Conceptualizaci´on, Investigaci´on, Metodolog´ıa, An´alisis formal, Recursos, Visualizaci´on. Marce-
lino Torres Villanueva: Supervisi´on, Administraci´on de proyectos.
Referencias
[1] T. A. A. G., “Toward the next generation of recommender systems: A survey of the state-of-the-art and
possible extensions,” IEEE Transactions on Knowledge and Data Engineering, 2005.
[2] A. J. S. E. C. P., “Deep neural networks for youtube recommendations,” 2016.
[3] Y. L. S. A. T. Y. Z. S., “Deep learning based recommender system: A survey and new perspectives,” 2017.
[4] Z. M., “Sistemas de recomendaci´on en plataformas de streaming audiovisual: las l´ogicas de los algoritmos,”
2023.
[5] C. G., “Sistemas de recomendaci´on, mediatizaciones de lo preferible y enunciaci´on.” 2017.
[6] U. I., “El efecto netflix: c´omo los sistemas de recomendaci´on transforman las pr´acticas de consumo cultural
y la industria de contenidos,” 2018.
[7] B. J. A. X., “Netflix recommendations: Beyond the 5 stars (part 1),” 2012.
Universidad La Salle, Arequipa, Per´u
facin.innosoft@ulasalle.edu.pe
29
