Melhorando Recomendações com Dados de Intenção do Usuário

Sistemas de Recomendação ajudam os usuários a encontrar itens que eles gostam entre várias opções. Esses sistemas são essenciais em muitas plataformas online, como sites de compras e serviços de notícias. Eles funcionam entendendo as preferências dos usuários com base em comportamentos passados, como cliques ou compras. No entanto, os usuários geralmente têm diferentes tipos de intenções quando interagem com os itens. Algumas dessas intenções são estáveis, como sempre querer itens de alta qualidade, enquanto outras mudam, como querer um vestido de verão em vez de um casaco de inverno.

Entender essas intenções pode ser complicado porque nem sempre estão claramente expressas. Em cenários de busca, os usuários expressam suas intenções de forma mais explícita por meio de consultas de busca. Por exemplo, se alguém pesquisa “tênis de corrida baratos,” isso mostra a intenção de encontrar calçados atléticos acessíveis. Essa informação explícita pode ajudar a melhorar os sistemas de recomendação. Combinando dados de busca e recomendações, podemos entender melhor as intenções dos usuários e melhorar as recomendações que eles recebem.

#Desafios nos Sistemas de Recomendação

Sistemas de recomendação dependem principalmente das interações passadas dos usuários para prever o que eles podem gostar a seguir. Por exemplo, modelos tradicionais assumem que se dois usuários gostaram de itens semelhantes no passado, eles também gostarão de itens semelhantes no futuro. Embora isso funcione até certo ponto, tem limitações. Os usuários podem ter intenções ocultas diferentes que os modelos não capturam.

Por exemplo, dois usuários podem gostar de macarrão, mas ter preferências diferentes para o tipo de restaurante. Um pode preferir sabores picantes, enquanto o outro gosta de doce. Se o sistema apenas observa suas interações sem entender essas nuances, pode recomendar os itens errados para cada usuário.

Além disso, mesmo dentro de um único usuário, suas intenções podem mudar com o tempo. Uma pessoa pode pesquisar uma camiseta no verão e um casaco de plumas no inverno. Se o sistema não reconhecer essas demandas em mudança, pode falhar em fornecer recomendações relevantes.

#O Papel dos Dados de Busca

Os dados de busca oferecem uma oportunidade única de aprimorar os sistemas de recomendação. Quando os usuários pesquisam algo, geralmente fornecem informações claras sobre o que querem. Por exemplo, se alguém digita “pizza perto de mim,” é evidente que está procurando opções de pizza. Esses dados podem servir como um guia para os sistemas de recomendação, ajudando a identificar as intenções em mudança dos usuários.

O desafio está em usar efetivamente esses dados de busca explícitos para melhorar a compreensão das intenções implícitas nos sistemas de recomendação. Sem conexões claras entre o que os usuários buscam e o que clicam nas recomendações, os modelos podem ter dificuldade em fornecer sugestões precisas.

#Apresentando a Tradução de Duplas Intenções Unificadas

Para resolver esses problemas, propomos um novo modelo chamado Tradução de Duplas Intenções Unificadas para Busca e Recomendação. Esse modelo visa entender melhor tanto as intenções inerentes quanto as de demanda, permitindo recomendações mais precisas.

#Entendendo as Duas Intenções

O primeiro passo é reconhecer que os usuários têm dois tipos de intenções: inerentes e de demanda. Intenções inerentes são estáveis e refletem as preferências do usuário, enquanto intenções de demanda mudam com base em contextos ou necessidades específicas.

Por exemplo, um usuário pode ter a intenção inerente de comprar itens acessíveis, mas ter a intenção de demanda de encontrar uma jaqueta de chuva durante uma tempestade. Nosso modelo tenta capturar essas duas intenções e como elas influenciam as interações dos usuários com os itens.

#O Gerador de Intenções de Demanda

Para gerar efetivamente intenções de demanda, usamos dados de busca como fonte de supervisão. Quando os usuários buscam itens, eles fornecem insights sobre suas intenções de demanda. Analisando essas consultas, podemos entender melhor o que os usuários querem a qualquer momento.

O gerador de intenções de demanda utiliza consultas de busca históricas para inferir intenções de demanda para recomendações. Assim, quando um usuário procura um item específico, o sistema pode prever que sua intenção pode inclinar-se para opções acessíveis ou um estilo específico.

#Propagação da Tradução de Dupla Intenção

Uma vez que temos um jeito de gerar intenções de demanda, o próximo passo é relacionar essas intenções aos itens com os quais os usuários interagem. É aqui que a tradução de dupla intenção entra em jogo.

Nossa abordagem envolve criar um mecanismo que traduz as intenções dos usuários em representações de itens. Por exemplo, se um usuário demonstra o desejo por tênis de corrida acessíveis, o sistema traduz esse desejo em recomendações de itens que correspondam tanto ao preço quanto ao tipo de calçado que se alinha com suas preferências inerentes.

#Aprendendo com Dados de Interação

Para que nosso modelo seja eficaz, precisamos tirar proveito dos dados de interação disponíveis em cenários de busca e recomendação. Criando um modelo conjunto que considere ambos os tipos de dados, podemos melhorar a precisão de nossas previsões.

#Estrutura do Modelo

O modelo UDITSR é construído com dois componentes principais: o gerador de intenções de demanda e o módulo de tradução de dupla intenção. Esses componentes trabalham juntos para entender as intenções dos usuários e criar recomendações personalizadas.

1. Gerador de Intenções de Demanda:

   • Usa consultas de busca para gerar a intenção de demanda de um usuário.
   • Ajuda a mapear o que um usuário está procurando no contexto de suas interações passadas.

2. Módulo de Tradução de Dupla Intenção:

   • Conecta intenções inerentes com intenções de demanda e representações de itens.
   • Garante que as recomendações feitas estejam alinhadas com o que os usuários realmente querem.

#Configuração Experimental

Para avaliar quão bem o UDITSR funciona, realizamos testes usando conjuntos de dados do mundo real. Esses conjuntos de dados consistiam em interações de usuários de uma plataforma de entregas importante. Tínhamos diferentes grupos de usuários e itens, e coletamos interações de busca e recomendação.

#Coleta de Dados

Os conjuntos de dados incluíram milhares de interações ao longo de vários dias. Cada pedaço de dado continha IDs de usuários, IDs de itens e, no caso de interações de busca, consultas de busca. Dividimos os dados em conjuntos de treinamento, validação e teste para avaliar com precisão o desempenho do modelo.

#Comparação com Modelos Existentes

Comparamos o UDITSR com outros modelos bem conhecidos na área. Isso incluiu modelos baseados em grafos e sistemas tradicionais de recomendação. O objetivo era ver quão melhor nosso modelo poderia se sair devido à sua abordagem única para aprender as intenções dos usuários.

#Resultados

Os resultados mostraram que o UDITSR melhorou significativamente a qualidade das recomendações em geral. Quando comparado a modelos existentes, o UDITSR superou-os em tarefas de busca e recomendação.

#Desempenho de Busca e Recomendação

Nosso modelo demonstrou uma melhoria média de vários pontos percentuais em métricas-chave como Taxas de Clique (CTR) e Valor Bruto de Mercadorias (GMV). Isso indica que os usuários não só estavam vendo recomendações mais relevantes, mas também se engajando com elas de maneira mais eficaz.

#Importância do Gerador de Intenções de Demanda

Por meio de estudos de ablação, descobrimos que o gerador de intenções de demanda era crucial para aumentar a precisão das recomendações. Ao aproveitar dados de busca explícitos, nosso modelo conseguiu aprender intenções de demanda de maneira mais eficaz do que abordagens tradicionais.

#Impacto da Tradução de Intenção

Também descobrimos que o mecanismo de tradução de dupla intenção desempenhou um papel vital em conectar as intenções dos usuários com as interações dos itens. Isso melhorou a qualidade geral das recomendações, garantindo que estivessem mais alinhadas com o que os usuários realmente buscavam.

#Visualizações e Insights

Para entender melhor como o modelo aprendeu as intenções dos usuários, visualizamos as intenções aprendidas. Os gráficos resultantes mostraram distribuições claras dos itens e insights sobre quão bem o modelo capturou as relações entre intenções inerentes e de demanda.

Nas visualizações, observamos que as intenções traduzidas aprendidas pelo UDITSR estavam muito mais alinhadas com os itens reais com os quais os usuários interagiram. Esse forte alinhamento é o que contribuiu para o sucesso geral do modelo.

#Testes Online

Após extensos testes offline, implantamos o UDITSR em um ambiente real durante um teste A/B online de um mês. O principal objetivo era ver como o modelo se saiu em um ambiente operacional, onde o comportamento do usuário poderia diferir das condições de teste controladas.

#Observações da Implantação Online

A implantação online confirmou nossas descobertas dos resultados experimentais. A aplicação do UDITSR levou a melhorias mensuráveis em métricas de desempenho-chave, como aumento do GMV e CTR.

#Conclusão

Em resumo, nosso trabalho mostrou que uma abordagem unificada para entender duplas intenções em busca e recomendações leva a um melhor engajamento e satisfação dos usuários. Ao utilizar efetivamente dados de busca, podemos preencher a lacuna entre intenções implícitas e explícitas dos usuários.

O modelo UDITSR reflete um avanço significativo em sistemas de recomendação, fornecendo uma estrutura para capturar as intenções dos usuários de forma mais precisa. À medida que o cenário de interações online continua a evoluir, esse modelo oferece insights valiosos sobre como podemos melhorar a relevância e a eficácia das recomendações.

Através de nossas pesquisas e desenvolvimento contínuos, buscamos aprimorar ainda mais as capacidades dos sistemas de recomendação, garantindo que os usuários continuem recebendo sugestões relevantes e adaptadas que atendam às suas necessidades.