Sistema de Recomendação

Relevância e aplicações

O impacto dos sistemas de recomendação está generalizado em numerosas plataformas digitais. No comércio eletrónico, sugerem produtos de que os utilizadores podem gostar, influenciando significativamente as decisões de compra e impulsionando as vendas, complementando frequentemente as ferramentas de descoberta visual alimentadas por visão computacional. Os serviços de streaming, como o Netflix e o Spotify, dependem fortemente destes sistemas para criar listas personalizadas de filmes, programas e música, melhorando a retenção dos utilizadores. As plataformas de redes sociais utilizam recomendadores para sugerir ligações, grupos e feeds de conteúdos adaptados aos interesses individuais. Do mesmo modo, os agregadores de notícias e as plataformas de conteúdos utilizam recomendações para personalizar os feeds, garantindo que os utilizadores descobrem artigos e informações relevantes para eles, utilizando por vezes técnicas relacionadas com a pesquisa semântica para compreender o significado do conteúdo.

Tipos de sistemas de recomendação

São utilizadas várias técnicas fundamentais para criar sistemas de recomendação, muitas vezes em combinação:

• Filtragem colaborativa: Este método popular faz recomendações com base nas preferências de utilizadores semelhantes ou na semelhança entre itens. Parte do princípio de que os utilizadores que concordaram no passado concordarão no futuro.
• Filtragem baseada no conteúdo: Esta abordagem recomenda itens semelhantes aos que um utilizador gostou no passado, com base nos atributos do item (por exemplo, género, palavras-chave, caraterísticas) e no perfil do utilizador.
• Abordagens híbridas: Estes sistemas combinam métodos colaborativos e baseados em conteúdos (e potencialmente outros) para potenciar os seus respectivos pontos fortes e atenuar os seus pontos fracos, conduzindo frequentemente a recomendações mais sólidas.
• Modelos de aprendizagem profunda: Cada vez mais, as técnicas avançadas que envolvem redes neurais, como as redes neurais recorrentes (RNN) e os transformadores, são utilizadas para recomendações sensíveis à sequência ou para modelar interações complexas entre o utilizador e o item, exigindo frequentemente uma potência computacional significativa, como as GPU.

Exemplos do mundo real

1. Retalho online: Um site de comércio eletrónico como a Amazon apresenta as secções "Os clientes que compraram este artigo também compraram" ou "Recomendado para ti". Estas são geradas através da análise do histórico de compras, do comportamento de navegação, dos artigos no carrinho e da comparação destes dados com milhões de outros utilizadores através da filtragem colaborativa e de outras técnicas de ML. Isto impulsiona a descoberta de produtos e as vendas, constituindo uma parte essencial da IA nas estratégias de retalho.
2. Streaming de vídeo: Plataformas como o YouTube recomendam vídeos com base no histórico de visualização do utilizador, vídeos preferidos, subscrições e consultas de pesquisa. Empregam sistemas híbridos sofisticados, incluindo modelos de aprendizagem profunda, para analisar padrões de visualização e metadados de conteúdo, com o objetivo de maximizar o tempo de visualização e a satisfação do utilizador.

Desafios

O desenvolvimento de sistemas de recomendação eficazes implica ultrapassar desafios como o"problema do arranque a frio" (dificuldade em recomendar a novos utilizadores ou novos itens com poucos dados), a escassez de dados (os utilizadores normalmente interagem apenas com uma pequena fração dos itens disponíveis), a escalabilidade para conjuntos de dados maciços e a garantia de equidade e de evitar preconceitos algorítmicos. A investigação em curso centra-se na melhoria da precisão, diversidade, serendipidade e explicabilidade das recomendações. Plataformas como o Ultralytics HUB facilitam o desenvolvimento e a implantação de vários modelos de ML, contribuindo para o ecossistema de IA mais amplo onde operam os sistemas de recomendação.