Eficiencia energética en sistemas de recomendación: estado del arte y alternativas a modelos de deep learning

El uso generalizado de sistemas de recomendación en plataformas digitales ha venido acompañado de un aumento significativo en el consumo de recursos computacionales, especialmente como consecuencia de la adopción de modelos cada vez más complejos basados en aprendizaje profundo. Si bien estos enfoques han permitido mejorar de forma notable la precisión de las recomendaciones, su impacto energético y ambiental ha despertado una creciente preocupación en la comunidad científica. En este contexto surge el paradigma de la Inteligencia Artificial Verde (Green AI), cuyo objetivo es promover el desarrollo de sistemas eficientes y sostenibles desde el punto de vista energético. El objetivo principal de este Trabajo de Fin de Máster es analizar el estado del arte en sistemas de recomendación eficientes energéticamente y evaluar experimentalmente algoritmos de recomendación tradicionales y variantes optimizadas como alternativas a los modelos basados en deep learning. Para ello, se lleva a cabo una revisión exhaustiva de la literatura centrada en los principios de la Green AI, las estrategias de sostenibilidad aplicadas a los sistemas de recomendación y las métricas empleadas para medir su impacto energético y ambiental. A nivel experimental, se propone un marco de evaluación basado en el conjunto de datos MovieLens 1M, en el que se analizan distintos algoritmos clásicos y un modelo de Deep Learning (Neural Collaborative Filtering) bajo diferentes configuraciones de tamaño del conjunto de entrenamiento, generadas mediante técnicas controladas de reducción de datos. El rendimiento predictivo se evalúa utilizando métricas estándar como RMSE, MAE, Precision@K, Recall@K, Hit Rate y NDCG. De manera complementaria, se analiza la eficiencia computacional y energética de los modelos mediante la medición del consumo de energía y las emisiones de CO2 asociadas, utilizando la herramienta CodeCarbon. Los resultados obtenidos muestran que los sistemas de recomendación tradicionales, combinados con estrategias de reducción del volumen de datos, pueden alcanzar niveles de rendimiento competitivos con un consumo energético y una huella de carbono significativamente menores. Específicamente, la evaluación de Neural Collaborative Filtering revela que los modelos de deep learning requieren volúmenes de datos sustancialmente mayores (>750k interacciones) para alcanzar rendimiento predictivo competitivo en RMSE, consumiendo entre 10 y 25 veces más energía. Sin embargo, incluso con volúmenes elevados de datos, NCF presenta métricas de ranking (Precision@10, Recall@10) entre 20 y 40 veces inferiores a los métodos tradicionales, evidenciando que optimizar para predicción de rating no garantiza capacidad efectiva de ranking top-K. El análisis evidencia la existencia de trade-offs claros entre precisión y sostenibilidad, así como que el incremento de la complejidad del modelo no siempre se traduce en mejoras proporcionales del rendimiento. En conjunto, este trabajo pone de manifiesto la necesidad de incorporar la eficiencia energética como un criterio fundamental en la evaluación de los sistemas de recomendación, y aporta evidencias a favor del uso de enfoques clásicos y energéticamente eficientes como alternativas sostenibles en entornos reales. Abstract: The increasing adoption of recommender systems in digital platforms has been accompanied by a notable rise in computational and energy demands, particularly due to the widespread use of complex models based on deep learning. Although these approaches have achieved remarkable improvements in predictive accuracy, their environmental impact has become a growing concern within the research community. In this context, the paradigm of Green Artificial Intelligence has emerged, promoting the development of models that balance performance with energy efficiency and sustainability. The objective of this Master’s Thesis is to analyse the state of the art in energy-efficient recommender systems and to evaluate, from an experimental perspective, traditional recommendation algorithms and energy-aware alternatives as feasible options to deep learning-based models. To this end, an extensive review of the literature is carried out, focusing on the principles of Green AI, sustainability strategies applied to recommender systems, and the metrics and tools currently used to quantify energy consumption and environmental impact. The experimental study is conducted using the MovieLens 1M dataset, in which several classical recommender algorithms and a Deep Learning model (Neural Collaborative Filtering, NCF) are evaluated under different training data size configurations obtained through controlled data reduction techniques. Predictive performance is assessed using standard metrics such as RMSE, MAE, Precision@K, Recall@K, Hit Rate, and NDCG. In parallel, the computational and energy efficiency of each model is analyzed by measuring energy consumption and associated CO2 emissions using the CodeCarbon framework. The results show that traditional recommender systems, when combined with data reduction strategies, can achieve competitive predictive performance while significantly reducing energy consumption and carbon footprint."Specifically, the evaluation of Neural Collaborative Filtering reveals that deep learning models require substantially larger volumes of data (over 750k interactions) to achieve competitive predictive performance in RMSE, consuming between 10 and 25 times more energy. However, even with large data volumes, NCF exhibits ranking metrics (Precision@10, Recall@10) 20 to 40 times lower than traditional methods, demonstrating that optimizing for rating prediction does not guarantee effective top-K ranking capability. Overall, this work underlines the importance of incorporating energy efficiency as a core criterion in the design and evaluation of recommender systems, and supports the potential of classical and energy-efficient approaches as sustainable alternatives in practical applications.