La recomendación de productos puede considerarse como un problema en la fusión de datos: la estimación de la distribución conjunta entre individuos, sus comportamientos y bienes o servicios de interés. Este trabajo propone una red generativa adversarial condicional acoplada que aprende a producir muestras de una distribución conjunta entre comportamientos encontrados en datos de entrenamiento de retroalimentación implícita extremadamente dispersos. La interacción del usuario está representada por dos matrices con elementos de valor binario. En cada matriz, los valores no nulos indican si un usuario visualizó o compró un artículo específico en una categoría de productos dada, respectivamente. Al codificar las acciones de esta manera, el modelo es capaz de representar catálogos de productos enteros a gran escala. Las estadísticas de la tasa de conversión calculadas en las muestras de salida del GAN entrenado oscilaron entre 1.323% y 1.763%. Se encontró que estas estadísticas son significativas en comparación con los resultados de las pruebas de hipótesis nulas. Los resultados se muestran comparables a las tasas de conversión publicadas agregadas en muchas industrias y tipos de productos. Nuestros resultados son preliminares, sin embargo, sugieren que las recomendaciones producidas por el modelo pueden ser útiles para los consumidores y los minoristas digitales.