# CoPersona y el argumento de que la personalización LLM necesita grafos de facetas, no más datos > Published: 2026-08-28T10:30:00+00:00 > Updated: 2026-08-29T05:07:46.361+00:00 --- ## CoPersona y el argumento de que la personalización LLM necesita grafos de facetas, no más datos La personalización basada en LLM no tiene un problema de modelo; tiene un problema de perfil. Creemos que el avance más relevante para el ecommerce agéntico no está en arquitecturas de razonamiento más sofisticadas ni en mayor escala de parámetros, sino en cómo se construye la representación del usuario antes de que el modelo siquiera razone. CoPersona, el framework de Zhang et al. (2025), demuestra que descomponer el historial de un usuario en facetas y completar las lagunas con señales de pares comportamentalmente alineados produce mejoras consistentes sobre baselines sólidos — y lo hace sin reentrenar el LLM subyacente. La lectura que hacemos es directa: en ecommerce, donde la mayoría de usuarios son ocasionales o nuevos, un grafo multiplex de persona resuelve un cuello de botella que ni el mejor recomendador puede compensar por sí solo. ## El perfil disperso como límite estructural, no accidental Zhang et al. parten de una observación que cualquier operación de ecommerce reconoce: la mayoría de usuarios aportan pocas interacciones, y los usuarios frecuentes presentan registros incompletos o con sesgo hacia facetas específicas de sus preferencias [Fuente 1]. No es un problema que se resuelva esperando más datos; es estructural. Un usuario que compra zapatillas deportivas tres veces al año genera un historial que sesga su perfil hacia calzado, ocultando preferencias latentes en electrónica o alimentación. Este sesgo no desaparece con más tiempo — se consolida. El cold-start no afecta solo a usuarios. Hertsch documenta que en mercados de noticias regionales el TTL de los ítems es inferior a 48 horas, lo que priva al filtrado colaborativo de datos suficientes para modelado robusto [Fuente 12]. Su solución — Kairos con LinUCB — evita depender de historiales largos, pero opera en un régimen distinto: bandidos contextuales sin LLM. CoPersona, en cambio, ataca el mismo problema de escasez desde la representación del usuario, no desde el algoritmo de selección, y lo hace compatible con inferencia LLM. ## Filtrado colaborativo clásico: un vector de usuario, una métrica de similitud global. El usuario que compra zapatillas y auriculares se parece 'un poco' a todos, 'mucho' a nadie. **CoPersona**: múltiples facetas, múltiples alineaciones. El mismo usuario hereda señal de un par en calzado deportivo y de otro distinto en electrónica portátil, sin que uno diluya al otro. ## Facetas, no vectores monolíticos La distinción entre recuperación no paramétrica y razonamiento paramétrico dentro de CoPersona recuerda a la separación entre retrieval y reasoning que vemos en arquitecturas RAG — pero aplicada al perfil de usuario, no al conocimiento del dominio. ## Lo que CoPersona no resuelve — y quién lo complementa CoPersona construye un perfil más completo, pero no decide qué hacer con él una vez construido. Aquí es donde la formulación de recomendación como MDP de Trapeznikov y Utushkin cobra relevancia: su trabajo demuestra que un solo paso de planificación (lookahead) captura la mayor parte de la ganancia sobre recuperación estática con embeddings fijos [Fuente 3]. Creemos que la combinación natural es alimentar ese paso de planificación con un perfil enriquecido por CoPersona en lugar del vector estático habitual. El perfil por facetas permite que el lookahead considere transiciones de estado de usuario más informadas — no solo 'qué sigue' sino 'qué sigue dado que esta faceta está cubierta y esta otra no'. En la dimensión de explicabilidad, Bi-NAS de Wu et al. muestra que alinear las explicaciones con las preferencias de características del usuario mejora significativamente la efectividad de las justificaciones en cuatro datasets del mundo real [Fuente 2]. Un perfil descompuesto en facetas es inherentemente más explicable que un vector denso: permite generar justificaciones del tipo 'te recomendamos esto porque usuarios similares a ti en la faceta X también prefirieron Y', en lugar de la opacidad de 'usuarios similares compraron esto'. - 80% — R@10 en preguntas de actualización de conocimiento con ruta de viaje en el tiempo - 10,07 pp — Mejora en Pass@1 promedio de Living-Harness sobre baseline interactivo más potente ## La capa de persistencia que falta Un grafo de facetas no sirve si no persiste entre sesiones. Niksarli y Baheti proponen un almacén biemporal en Neo4j con índices HNSW que permite recuperación semántica en punto de tiempo sin sobrescribir la historia [Fuente 6]. Su modelo distingue entre tiempo válido (cuándo era verdadero el hecho) y tiempo de transacción (cuándo lo registró el sistema). Aplicado a CoPersona, esto significaría que las facetas de un usuario pueden evolucionar temporalmente sin perder el historial de cómo se formaron — un requisito no trivial cuando un agente de ecommerce necesita distinguir entre preferencias vigentes y preferencias abandonadas. La fragilidad de los sistemas agénticos sin mecanismo de aprendizaje persistente está documentada también por Du et al.: su Living-Harness demuestra que convertir cada trayectoria completada en evidencia para actualizar el harness del agente mejora el Pass@1 promedio en más de 10 puntos porcentuales sobre el baseline interactivo más potente [Fuente 11]. El principio es el mismo que defendemos para los grafos de persona: lo que el sistema aprende sobre un usuario debe modificar cómo actúa en la siguiente interacción, no evaporarse al cerrar la sesión. ## La posición de IDO Creemos que el comercio agéntico va a bifurcarse en dos líneas: los que intentan resolver la personalización con modelos más grandes y los que la resuelven con representaciones de usuario más ricas antes de que el modelo intervenga. CoPersona es evidencia fuerte de que la segunda ruta es viable y eficiente — sus mejoras son consistentes sobre baselines sólidos en múltiples dominios y escalas de modelo [Fuente 1]. Combinado con planificación dinámica sobre MDP donde un solo paso de lookahead captura la mayor parte de la ganancia [Fuente 3], con explicabilidad calibrada por preferencias de faceta [Fuente 2], y con memoria biemporal que preserva la evolución del perfil [Fuente 6], el grafo colaborativo de persona no es un componente aislado: es la capa de representación sobre la que un agente de ecommerce puede tomar decisiones informadas sin depender de que el usuario haya generado suficientes datos. La pregunta abierta no es si los grafos de facetas funcionan — los resultados de CoPersona lo afirman —, sino cuánto coste operativo añade mantener un grafo multiplex actualizado en tiempo real sobre catálogos con millones de SKUs y millones de usuarios. Ninguna de las fuentes disponibles ofrece benchmarks de latencia en producción a esa escala, y sería deshonesto pretender lo contrario. ## Fuentes consultadas - Yangtian Zhang, Leyao Wang, Hiren Madhu, Ngoc Bui, Walter Roznyatovskiy, and Rex Ying. CoPersona: Collaborative Persona Graphs for Robust LLM Personalization. [arXiv:2607.01485](https://arxiv.org/abs/2607.01485v1), 2026. - Longfeng Wu, Yao Zhou, Tong Zeng, Zhimin Peng, Bhanu Pratap Singh Rawat, Lecheng Zheng, Giovanni Seni, and Dawei Zhou. Bi-NAS: Towards Effective and Personalized Explanation for Recommender Systems via Bi-Level Neural Architecture Search. [arXiv:2607.01387](https://arxiv.org/abs/2607.01387v1), 2026. - Mikhail Trapeznikov and Maksim Utushkin. Planning over Matrix-Factorization MDPs for Candidate Generation. [arXiv:2607.02115](https://arxiv.org/abs/2607.02115v1), 2026. - Chen Zhu, Xiaolu Wang, and Weilong Zhang. pAI-Econ-claude: A Gated Human-in-the-Loop Multi-Agent Architecture for AI-Assisted Economic Theory Development. [arXiv:2607.21268](https://arxiv.org/abs/2607.21268v1), 2026. - Songyue Cai, Lianyu Wang, Shan Gu, Ziru Xu, Jian Xu, Xiaofeng Zhu, and Bo Zheng. Strategy-Aware Parameter-Efficient Adaptation for LLM-based Auto-Bidding. [arXiv:2607.24232](https://arxiv.org/abs/2607.24232v1), 2026. - Alp Niksarli and Gopesh Baheti. A Graph-Native Bitemporal Memory Store for Conversational AI Agents. [arXiv:2607.26520](https://arxiv.org/abs/2607.26520v1), 2026. - Tao Su, Jinjing Hu, Xiao Wang, Xingzhong Cao, and Hui Wang. ASARL: Autonomous Social-Aware Relevance Learning for QQ Search. [arXiv:2607.26593](https://arxiv.org/abs/2607.26593v1), 2026. - Zipeng Chen, Jiaer Zheng, Xiangyang Xu, Xinyu Lin, Zhaobin Wang, Zhaohui Liu, Qianjin Xiang, Xiaoyu Zhao, Zhuozhen Yu, Guangshuo Wang, Daxing Chen, Junwei Pan, Zhangbin Zhu, Chengguo Yin, Hao Chen, Tat-Seng Chua, Haijie Gu, and Jie Jiang. Beyond Action Imitation: Learning a Decision-Aware User Simulator for Online Advertising. [arXiv:2607.26893](https://arxiv.org/abs/2607.26893v1), 2026. - Hao Jiang, Peiru Du, Pengfei Yao, Mengting Li, Siyuan Lou, Kuo Cai, Sheng Yu, Qiang Luo, Jian Liang, Ruiming Tang, Fei Pan, Peng Jiang, and Wenwu Ou. WhisperRec: Latent Reasoning for Efficient Foundation Recommendation Models. [arXiv:2607.26621](https://arxiv.org/abs/2607.26621v1), 2026. - Ruiyu Liu, Xiaohao Liu, Miaomiao Cai, Yunshan Ma, and See-Kiong Ng. CaIRec: Calibrated Modality Imputation for Incomplete Multimodal Recommendation. [arXiv:2607.26720](https://arxiv.org/abs/2607.26720v1), 2026. - Yuetian Du, Yucheng Wang, He Xu, Jiexu Xu, Shanwen Tan, Bing Zhao, Boyu Yang, Zhijie Xu, Ming Kong, Hu Wei, Jie Liu, and Qiang Zhu. Living-Harness Is an Interactive-Agent Evolver. [arXiv:2607.26598](https://arxiv.org/abs/2607.26598v1), 2026. - Finn Hertsch. Kairos: Numerically Robust News Recommendation under Item Cold-Start via Cholesky-based LinUCB. [arXiv:2607.26832](https://arxiv.org/abs/2607.26832v1), 2026.