Sistema de recomendación para e-commerce

Se requiere desarrollar un sistema de recomendación para e-commerce que genere recomendaciones personalizadas de publicaciones que puedan serle de interés a cada usuario, a partir de la actividad previa del usuario y del resto de los usuarios del sistema. 

Los dataset de entrada son 3: publicaciones vistas, publicaciones marcadas como favoritas, y publicaciones compradas. Por cada uno cuento con el id de publicación, id de usuario y timestamp, y cuentan con millones de registros. Hay que tener todos en cuenta, ponderando el nivel de importancia que tiene cada uno (una compra tiene más peso que una visita).
Existe un 4to dataset de publicaciones, dónde puede incluir el título y categoría de la misma si es que pudiera ser de utilidad.

Casos de uso:
1. Si un usuario está viendo el producto A, recomendarle otros productos que puedan serle de interés, ya que otros usuarios similares también demostraron interés en ellas. Esto alimentaría un listado de productos dentro de la publicación que esté viendo el usuario (el tipico "Quienes vieron este producto también vieron...")

2. Dado un usuario, sin partir de un producto puntual, recomendarle productos que puedan serle de interés a partir de su historial de actividad. Esto se usaría para envío de mailing, donde a cada usuario le recomendamos lo que pueda interesarle a él.

3. Dado un usuario nuevo, si está viendo el producto A, recomendarle otros productos que puedan serle de interés en base a lo que otros usuarios han visto (simil al punto 1, pero sin tener historia de ese usuario en particular). Este punto es deseable.

A modo de referencia, se busca reproducir los casos de uso "aws-ecomm-customers-who-viewed-x-also-viewed" y "aws-ecomm-recommended-for-you" del servicio AWS Personalize.

La solución para alguno o todos los casos de uso puede ser near real time, procesando batch los datasets para generar relaciones predefinidas que luego sean utilizados al momento de que el usuario utilice la plataforma, o sino todo en real time.

La solución debería estar escrita preferentemente en Python o en Java, no requerir de invocaciones a SaaS externas (ej Google Cloud, AWS, etc), ser de uso gratuito sin importar la cantidad de veces que se invoque o el tamaño de los datasets que se ingesten, y poder correr dockerizado. Se pueden usar modelos de IA que corran localmente, sin que requieran el pago de una licencia por uso.

Tener en cuenta que constantemente se están agregando y quitando productos del catálogo, así como usuarios haciendo acciones en el sistema, por lo que el sistema debe ir actualizándose automáticamente.

La solución debe ser llave en mano, con el sistema ya entrenado y funcionando correctamente. Se harán pruebas utilizando datos reales para ver que los resultados sean satisfactorios.

Yo me encargo del hosting, y el código debe subirse a un repo de mi propiedad. Se espera que quien lo haga tenga experiencia en sistemas de recomendación.