Por que os sistemas de recomendação são importantes fora das grandes empresas de tecnologia?
Os sistemas de recomendação são importantes para qualquer empresa com mais produtos do que um cliente consegue explorar, porque o que o sistema mostra primeiro determina, em grande parte, o que é visto, comprado e reposto no estoque.
Considere uma loja virtual fictícia de materiais para artesanato, Willowmere Crafts, com cerca de 4,000 produtos e uma equipe de 15 pessoas. A responsável pelo comércio eletrônico, Hana, recebeu uma reclamação da equipe de compras e um relatório da agência que configurou o painel 'Você também pode gostar'. Suas anotações dizem: 'os mesmos 40 produtos são recomendados em quase todas as páginas. a nova linha de fios de primavera (220 itens) quase não teve exibições nas recomendações em 3 semanas. clientes recorrentes recebem boas sugestões, visitantes de primeira viagem recebem sugestões que parecem aleatórias. marcas de artesãos independentes dizem que nunca aparecem.' Ela precisa explicar ao fundador o que está acontecendo antes de pedir alterações à agência.
Como os sistemas de recomendação decidem o que mostrar?
A maioria dos sistemas de recomendação usa filtragem baseada em conteúdo, filtragem colaborativa ou uma combinação das duas. A diferença é se comparam itens com itens ou pessoas com pessoas.
Filtragem baseada em conteúdo
Recomenda itens semelhantes aos que uma pessoa já gosta, usando as características dos itens. Um cliente que comprou lã merino grossa na cor azul-petróleo vê outras lãs grossas e fios azul-petróleo. Não precisa de dados de outros clientes, mas sua eficácia depende das características dos itens que alguém definiu, e raramente surpreende as pessoas com algo fora de suas preferências habituais.
Filtragem colaborativa
Recomenda o que pessoas semelhantes gostaram. Se clientes que compraram um conjunto de tricô para iniciantes costumam comprar depois marcadores de pontos e um livro de receitas de tricô, esses itens são mostrados a quem acabou de comprar o conjunto. Pode encontrar sugestões inesperadas, mas úteis, e não precisa de descrições dos itens, mas depende de um histórico de interações.
Sistemas híbridos
Combine as duas abordagens, muitas vezes com regras simples, como remover itens fora de estoque, para que cada uma compense os pontos fracos da outra.
O que é o problema de partida a frio?
O problema da partida a frio ocorre quando um sistema de recomendação tem dificuldade com novos itens e novos usuários por não ter um histórico de interações deles. A filtragem colaborativa, em particular, não consegue posicionar um item que ninguém comprou ou em que ninguém clicou ainda, exatamente o que aconteceu com a linha de fios de primavera da Willowmere, e tem pouca informação para orientar as recomendações a quem visita pela primeira vez.
Soluções comuns são recorrer à similaridade baseada em conteúdo para itens novos, fazer estimativas para um item novo com base em outros da mesma categoria ou do mesmo fabricante, mostrar aos novos visitantes um conjunto propositalmente variado de itens populares e fazer uma ou duas perguntas rápidas sobre preferências, quando isso fizer sentido para a loja.
Como surgem os ciclos de retroalimentação e os problemas de equidade?
Um ciclo de retroalimentação surge quando o sistema aprende com os cliques nos itens que escolheu mostrar. Assim, os itens exibidos com frequência recebem mais cliques, o que faz com que sejam exibidos ainda mais. Com o tempo, um pequeno conjunto de produtos populares tira o espaço de todos os outros, como acontece com os 40 produtos da Willowmere, enquanto os itens nunca exibidos não têm a chance de mostrar seu valor.
As questões de equidade surgem logo em seguida. Se os produtos de fabricantes independentes começam com menos histórico, esse ciclo pode mantê-los invisíveis independentemente da qualidade, e os clientes perdem opções. Algumas formas de combater isso incluem reservar alguns espaços de recomendação para itens mais novos ou com menor exposição, medir a exposição por fabricante e categoria, em vez de apenas pelo total de cliques, e atualizar os dados de treinamento do modelo para que ele não aprenda apenas com as próprias escolhas anteriores.
Como é uma solicitação à agência fraca e uma aprimorada?
Uma solicitação fraca diz: 'As recomendações não estão funcionando, por favor, melhorem.' A agência pode simplesmente treinar novamente o modelo com mais dados de cliques do mesmo tipo, reforçando o ciclo.
Uma solicitação melhor diz: 'Nosso painel parece se basear apenas no histórico de compras. Por favor, (1) use atributos dos produtos, como fibra, peso, cor e técnica artesanal, para recomendar novos itens até que tenham histórico suficiente; (2) mostre aos visitantes de primeira viagem um conjunto variado de categorias, em vez de uma única lista de mais vendidos; (3) reserve duas das oito posições para itens com pouca exposição nos últimos 30 dias; (4) informe mensalmente a participação de cada produtor e de cada faixa de tempo desde o lançamento nas visualizações das recomendações; e (5) teste as mudanças em comparação com o painel atual, dividindo os visitantes em grupos e medindo pedidos, não apenas cliques.' Agora Hana pode avaliar se o trabalho foi feito.
Como você verifica se as recomendações estão funcionando?
Avalie as recomendações olhando além dos cliques: considere pedidos, devoluções e como a exposição se distribui entre produtos e fornecedores. Um painel que aumenta os cliques em alguns campeões de vendas, mas esconde novas linhas, pode estar prejudicando o negócio. Compare as mudanças com um grupo de controle de visitantes que veem a versão antiga, pois recomendações exibidas durante uma promoção ou um feriado parecerão melhores independentemente do modelo.
Quais são os erros comuns com sistemas de recomendação?
O erro mais comum é otimizar apenas para cliques, o que favorece itens chamativos e reforça o ciclo de retroalimentação. Outros: lançar uma nova linha sem atributos de conteúdo, fazendo com que ela sofra com o problema de partida a frio, avaliar o sucesso comparando o antes e o depois sem um grupo de controle, ignorar quais fornecedores ou categorias nunca aparecem e usar dados pessoais em recomendações sem informar os clientes no aviso de privacidade.
Onde esta aula se encaixa na Tosheo.ai?
Esta aula faz parte da categoria Aprendizado de máquina no curso de aprendizado de máquina, após as aulas sobre como os modelos aprendem e são avaliados. No Tosheo.ai, a tarefa prática pede que você escreva orientações para melhorar as recomendações de uma loja fictícia, e o retorno da avaliação verifica a partida a frio, os ciclos de retroalimentação, a equidade e a realização de um teste justo. É uma base profissional para orientar e avaliar esse trabalho; construir um sistema de recomendação em código faz parte da trilha opcional de Programação.