Objetivo
Este trabajo presenta el diseño e implementación de un sistema de recomendación de contenido televisivo híbrido para la plataforma OrangeTV de MasOrange. El sistema integra una red bayesiana discreta, un agente conversacional basado en modelos de lenguaje de gran escala (LLM) y la API de TMDB, expuesto al usuario a través de una interfaz web desarrollada con Flask.
La red bayesiana se construyó a partir de un estudio de perfiles y hábitos de visionado, con el que se generó una base de datos sintética. La estructura del grafo se aprendió mediante HillClimbingSearch con criterio de puntuación BDeu (ESS=100), guiado por una whitelist y blacklist de relaciones definidas con lógica de dominio. Las tablas de probabilidad condicional (CPDs) resultantes permiten realizar inferencia probabilística sobre el tipo y género de contenido más adecuado para cada contexto de usuario. Una de las principales ventajas del modelo bayesiano frente a alternativas basadas en deep learning es su explicabilidad inherente: es posible trazar la ruta de inferencia completa, identificando qué variables y con qué probabilidades han conducido a cada recomendación.
La interacción con el sistema se realiza en lenguaje natural a través de un agente LLM que desempeña tres funciones: clasificación de la intención del usuario, extracción de atributos de contenido en formato JSON y generación de la respuesta conversacional en español. Para seleccionar los modelos más adecuados se realizó una evaluación automatizada con 300 tests de clasificación de intenciones y 200 de extracción de atributos, obteniendo un 81,9% de precisión con GPT-4o para la primera tarea y un 91,8% con Claude Sonnet 4.5 para la segunda.
El sistema incorpora un mecanismo de feedback online que actualiza los conteos de las CPDs en tiempo real sin necesidad de reentrenamiento, tanto a partir de valoraciones explícitas del usuario como de un módulo de simulación de comportamiento de visionado (porcentaje visto, abandonos tempranos, re-visionados). El pipeline completo se sirve mediante una API REST en Flask con una interfaz web que incluye perfil de usuario persistente, recomendaciones rápidas y botones de acción rápida.
TRABAJO FIN DE GRADO DE:
CARLOS BRAVO GARRÁN
Experiencia Académica
- Doble Grado en Ingeniería Informática y Administración de Empresas, Universidad Carlos III de Madrid (septiembre 2021 – junio 2026)
Experiencia Laboral
- Machine Learning Researcher – Universidad Carlos III de Madrid en colaboración con Grupo MasOrange (septiembre 2025 — junio 2026)
- Web Developer – enero 2026 – Presente
Habilidades técnicas:
- Lenguajes: Python (Avanzado), C/C++, SQL, Node.js, JavaScript, HTML, Shell, Git.
- Tecnologías: Machine Learning, LLMs, Data Analytics, Linux, MS Excel (Avanzado).
- Cloud: Google Cloud Engineering (Certificado), AWS Cloud Essentials (Certificado).
Idiomas:
- Español: Nativo.
- Inglés: Avanzado (C1) – Certificate in Advanced English (CAE) por Cambridge.
- Francés: Básico.