Este artículo aborda la mejora del rendimiento de un sistema de recomendación multiacción que aprovecha diversos comportamientos del usuario (p. ej., compras, clics y añadidos al carrito) en el comercio electrónico. Los sistemas existentes presentan una brecha de rendimiento significativa entre los artículos recomendados visitados (con los que interactúan los usuarios) y los no visitados. Para solucionar esto, proponemos MEMBER, un novedoso sistema de recomendación multiacción basado en una combinación de expertos (MIxture-of-Experts), que utiliza modelos expertos especializados en artículos visitados y no visitados, respectivamente. Cada modelo experto se entrena mediante aprendizaje autosupervisado, y los resultados experimentales demuestran una mejora del rendimiento de hasta un 65,46 % (basado en una tasa de aciertos de 20) en comparación con los sistemas existentes.
