🧶 Análisis de Similitud: El Mystery del Portal Web¶
"Un sistema de recomendación es como un bibliotecario que sabe exactamente qué revista te va a gustar sin haber leído el contenido completo, solo mirando las palabras que se repiten. 🤘"
🎯 El Desafío del Portal¶
Imagina que gestionas un portal dinámico. Tu jefe te ha puesto un reto: "Agrupa estos artículos automáticamente. No tengo tiempo para leerlos todos."
Para resolverlo, usamos el Índice de Jaccard, una herramienta matemática que convierte el texto en "conjuntos" y mide cuánto se solapan. ⚡
🏗️ El Corazón del Algoritmo¶
La magia ocurre comparando lo que los documentos comparten frente a todo lo que dicen.
| Atributo | Explicación Visual |
|---|---|
| Intersección | Las palabras que aparecen en AMBOS textos. ⚔️ |
| Unión | Todas las palabras únicas de AMBOS textos. 🌌 |
| Resultado | Un número entre 0 (desconocidos) y 1 (almas gemelas). 🤘 |
La Fórmula Matemática¶
🎸 Resultados Reales (Generados por tu Script)¶
Aquí es donde la teoría se encuentra con la realidad. Al ejecutar 04_similitud_jaccard.py, el sistema "ve" el portal así:
1. El Mapa de Calor del Saber¶
En esta matriz, los colores cálidos (rojos) indican alta similitud. Observa cómo se forman cuadrados en la diagonal. ¡Eso son tus categorías de Fútbol, Tecnología y Cocina detectadas automáticamente! ⚡
2. La Prueba del Algoritmo (Clustermap)¶
¿Puede la inteligencia artificial agrupar los temas sin ayuda? El Dendrograma (el árbol lateral) nos dice que sí. Los artículos de la misma temática se "buscan" y se agrupan en ramas comunes. 💀
3. Clustermap con Valores Numéricos¶
Otra vista del mismo agrupamiento, ahora con los valores exactos de similitud en cada celda:
⚔️ Aplicaciones en el Mundo Real¶
No es solo un ejercicio académico. Esta técnica se usa cada segundo en:
- 🏴☠️ Detección de Plagio: Comparar entregas de alumnos para ver si comparten "demasiado" vocabulario.
- 🛸 Recomendadores: "Si leíste sobre el nuevo CPU, te recomiendo este artículo sobre memoria RAM".
- ⛓️ SEO y Buscadores: Para entender si dos páginas hablan de lo mismo y evitar contenido duplicado.
🌑 Reflexión Final para el Alumno¶
Mira las gráficas que se han guardado en tu carpeta:
- ¿Ves algún punto rojo fuera de la diagonal? Eso indicaría que dos temas diferentes comparten palabras.
- ¿Qué pasaría si el corpus fuera de 10,000 documentos? El mapa de calor se volvería ilegible, pero el Clustermap seguiría dándonos la estructura. 🤘
--- Hash de Certificación: 4e8d9b1a5f6e7c3d2b1a0f9e8d7c6b5a4f3e2d1c0b9a8f7e6d5c4b3a2f1e0d9c Autor: Juan Marcelo Gutierrez Miranda (@TodoEconometria)