Este artículo aborda el problema de la aplicación de los principios de minimización de la privacidad en sistemas de recomendación. Aplicar estos principios es un desafío, ya que los sistemas de recomendación dependen de grandes cantidades de datos personales. Este artículo realiza un estudio de viabilidad sobre la minimización de datos por inferencia de retroalimentación implícita. Presentamos una novedosa definición del problema, analizamos diversas técnicas de minimización e investigamos los factores clave que influyen en su eficacia. Demostramos que es técnicamente factible una reducción significativa de los datos de inferencia sin degradar el rendimiento. Sin embargo, su viabilidad práctica depende en gran medida de la configuración técnica (p. ej., objetivos de rendimiento, selección del modelo) y de las características del usuario (p. ej., tamaño del historial, complejidad de las preferencias). Por lo tanto, si bien demostramos la viabilidad técnica, concluimos que la minimización de datos sigue siendo un desafío práctico, y su dependencia del contexto técnico y del usuario dificulta la implementación de un estándar universal para la "necesidad" de datos.
