Aplicación de técnicas de Fine Tuning en modelos NLP para la identificación y recomendación de libros según los intereses temáticos del usuario.

Abstract

Este proyecto de grado tiene como objetivo implementar técnicas de fine-tuning en un modelo de Procesamiento de Lenguaje Natural (NLP) preentrenado, con el fin de identificar y recomendar libros según temáticas de interés del usuario. La propuesta busca mejorar la experiencia de búsqueda y selección de contenido literario a partir de recomendaciones relevantes.

Como punto de partida, se realizó una exploración de modelos NLP disponibles públicamente, priorizando aquellos que fueran eficaces en la clasificación temática y viables en términos computacionales. Se optó por un modelo de tamaño moderado y código abierto, lo que permitió su adaptación sin necesidad de grandes recursos.

Para ajustar el modelo al dominio, se aplicaron técnicas de fine-tuning mediante el uso de adaptadores. Esta estrategia permitió modificar el comportamiento del modelo sin alterar su arquitectura base, facilitando su entrenamiento con un conjunto de datos abierto. La generación y limpieza de estos datos se apoyó en la API del modelo generativo DeepSeek, permitiendo estructurar la información de forma compatible con los requerimientos del modelo.

El rendimiento del sistema se evaluó mediante pruebas centradas en la precisión de las recomendaciones, utilizando métricas como NDCG (Normalized Discounted Cumulative Gain). Los resultados mostraron que el enfoque basado en adaptadores ofreció un mejor desempeño, generando sugerencias más acertadas y coherentes con las preferencias del usuario.

Este proyecto demuestra que es posible adaptar modelos de lenguaje pre entrenados, de manera eficiente y accesible, para tareas específicas de recomendación de libros, considerando las limitaciones de recursos computacionales y el enfoque de fine-tuning más adecuado para el entrenamiento.