Resumen:
El presente trabajo se enmarca en la línea de investigación sobre sistemas de recomendación inteligentes aplicados al ámbito gastronómico, continuando el proyecto teórico previo “Plataforma inteligente de platos personalizados con recomendación basada en ratings y reviews colaborativos”. Dicho estudio abordo los fundamentos del filtrado colaborativo mediante Singular Value Decomposition (SVD) [1] y el análisis de sentimiento con VADER [2], proponiendo un modelo híbrido capaz de incorporar
tanto las preferencias individuales de los usuarios como las percepciones colectivas expresadas en sus reseñas.
Esta investigación presenta una contribución concreta al demostrar que la integración de ambas técnicas puede mejorar de manera significativa la personalización de la experiencia gastronómica digital. El modelo propuesto ofrece un enfoque
innovador para transformar los tradicionales catálogos estáticos de comida en sistemas dinámicos de recomendación que aprenden y evolucionan con la comunidad. Su relevancia radica en mostrar cómo la unión entre el aprendizaje automático y el
análisis semántico puede generar recomendaciones más precisas, emocionalmente contextualizadas y alineadas con los gustos reales de los usuarios, estableciendo las bases para futuras aplicaciones en plataformas de delivery inteligentes.
