Sistema de recomendación de productos cosméticos basado en clasificación de tipo de piel mediante redes neuronales convolucionales y aprendizaje profundo

Abstract

El sector cosmético presenta una creciente necesidad de personalización, donde la tendencia predominante sigue siendo recomendar productos en función de su popularidad o visibilidad mediática, dejando en un segundo plano factores individuales como el tipo de piel del usuario. Este trabajo aborda ese problema mediante el desarrollo de un sistema de recomendación de productos de skincare personalizado que combina clasificación de imágenes y análisis de reseñas de usuarios. El trabajo se estructura en dos bloques principales. El primero consiste en el desarrollo de un clasificador de imágenes faciales basado en redes neuronales convolucionales mediante transfer learning sobre la arquitectura VGG16, con el objetivo de detectar automáticamente el tipo de piel del usuario sin necesidad de que lo declare manualmente. Se exploraron tres versiones del modelo incorporando progresivamente data augmentation, fine tuning y class weighting. Los resultados obtenidos no fueron satisfactorios, ya que ninguna de las versiones del modelo logró aprender patrones discriminativos entre los tres tipos de piel de forma efectiva, con un accuracy máximo del 44% y un comportamiento sesgado hacia la clase mayoritaria, atribuible principalmente a las limitaciones del conjunto de datos utilizado en términos de calidad, tamaño y desbalance entre clases. El segundo bloque se centra en la construcción del sistema de recomendación a partir de datos reales de productos y reseñas de la plataforma Sephora. Para ello se aplicaron técnicas de procesamiento del lenguaje natural, concretamente análisis de sentimiento mediante VADER, para extraer información cualitativa de las reseñas. Adicionalmente, se realizó un clustering de productos mediante K-Means para identificar perfiles de calidad en el catálogo. El sistema combina valoraciones segmentadas por tipo de piel, sentimiento de reseñas, tasa de recomendación y popularidad en una puntuación ponderada, generando recomendaciones diversas y de calidad homogénea entre perfiles. Ambos componentes se integraron en un pipeline conjunto con una interfaz interactiva desarrollada en Gradio, capaz de recibir una imagen facial y devolver recomendaciones personalizadas. Los resultados confirman que popularidad y calidad percibida no son equivalentes, y que el enfoque adoptado constituye una base sólida para sistemas de recomendación cosmética verdaderamente personalizados.