Avançando Recomendações de Próximo Cesto para Justiça e Diversidade

Nos últimos anos, fazer compras online virou uma parte importante das nossas vidas. A galera costuma comprar vários itens de uma vez, criando o que chamamos de "cesta". A Recomendação do Próximo Carrinho (NBR) foca em prever quais itens os usuários vão comprar a seguir com base nas compras passadas. Tradicionalmente, o objetivo era dar recomendações precisas. Mas, agora, tá rolando uma consciência maior de que também precisamos prestar atenção na Justiça e na diversidade nas recomendações.

#Recomendação do Próximo Carrinho (NBR)

A NBR é um tipo único de recomendação que ajuda os usuários a escolher o próximo conjunto de itens. Esse método analisa a sequência das compras passadas de um usuário pra fazer sugestões sobre futuras compras. Por exemplo, se um cliente compra muito macarrão, é bem provável que ele compre de novo e talvez também esteja a fim de itens complementares como molho de macarrão ou queijo.

#Foco Histórico

Antes, a pesquisa em NBR se concentrava principalmente em fazer recomendações precisas. A ideia era simples: se um sistema conseguisse sugerir o que os clientes provavelmente comprariam a seguir, ele teria sucesso. Mas essa abordagem ignora outros fatores importantes como a justiça, que garante que todos os itens tenham uma chance justa de serem recomendados, e a diversidade, que faz com que os usuários vejam uma variedade de produtos.

#Avanço na Compreensão das Necessidades dos Usuários

Descobertas recentes mostram que as recomendações podem ser divididas em dois tipos: recomendar itens repetidos (itens que o usuário já comprou antes) e explorar novos itens (itens que o usuário ainda não comprou). O desafio é que, enquanto recomendar itens repetidos é geralmente mais fácil e gera mais precisão, recomendar itens novos é mais complexo e menos eficaz em termos de satisfação do usuário.

#A Necessidade de uma Abordagem Equilibrada

Esse desequilíbrio levanta uma questão crucial: como podemos alcançar um equilíbrio entre precisão e outras métricas importantes como justiça e diversidade? Pra resolver isso, uma nova abordagem é necessária-uma que permita tanto alta precisão quanto melhorias em métricas além da precisão.

#A Estrutura TREx

Pra lidar com os problemas na NBR, propomos uma nova estrutura chamada TREx. Essa estrutura separa as recomendações em duas partes-uma para itens repetidos e outra para itens novos. Tratando essas duas recomendações de forma diferente, conseguimos garantir que tanto a precisão quanto as métricas além da precisão sejam consideradas.

#Componentes do TREx

1. Módulo de Repetição: Essa parte foca em prever com precisão os itens que um usuário já comprou antes. Ela se baseia na frequência das compras e no interesse do usuário pra fazer previsões informadas.

2. Módulo de Exploração: Esse módulo tem o objetivo de apresentar novos produtos pro usuário. As estratégias desse módulo priorizam justiça e diversidade. Por exemplo, ele pode recomendar itens que são menos populares pra evitar viés em itens que são comprados com mais frequência.

3. Geração de Cesta: O conjunto final de itens recomendados é criado combinando a saída dos dois módulos. O objetivo aqui é garantir que a cesta tenha uma mistura de itens repetidos e novos, equilibrando a familiaridade do usuário com opções novas.

#Experimentos e Descobertas

Pra testar a eficácia da estrutura TREx, fizemos experimentos usando dados de dois conjuntos de dados bem conhecidos de compras de supermercado.

#Desempenho em Precisão

Nossos experimentos mostraram que o TREx conseguiu um desempenho de ponta em precisão só focando nos itens repetidos. Isso está de acordo com a nossa hipótese de que recomendar itens repetidos é uma tarefa mais simples.

#Desempenho em Métricas Além da Precisão

Quando olhamos pra justiça e diversidade, o TREx novamente entregou resultados impressionantes. Vimos melhorias em várias métricas de justiça, o que significa que nossas recomendações não eram só precisas, mas também espalharam a exposição de forma mais equitativa entre itens menos populares. Isso é um grande passo em direção a criar um sistema de recomendações mais justo.

#Equilibrando Precisão com Diversidade e Justiça

Nossas descobertas sugerem que, usando o TREx, conseguimos oferecer melhores recomendações que são tanto precisas quanto diversas. Em termos mais simples, é possível ajudar os usuários a descobrir novos itens sem perder a familiaridade com as compras repetidas.

#Reflexão sobre as Práticas Atuais

Enquanto nossa estrutura mostra potencial, também evidencia as limitações dos métodos de avaliação existentes na NBR. Muitos desses métodos dependem bastante do desempenho geral, o que pode mascarar a verdadeira eficácia de um sistema de recomendações.

#Reavaliando o Sucesso nas Recomendações

Ao refletirmos sobre os resultados dos nossos experimentos, fica evidente que simplesmente atingir melhores pontuações gerais não é suficiente. Precisamos considerar quão bem o sistema se sai em diferentes tipos de itens-tanto repetidos quanto novos. Uma análise mais detalhada poderia revelar problemas ocultos nas abordagens tradicionais.

#Conclusão

A estrutura TREx representa um grande avanço na NBR, permitindo que a gente ajuste as recomendações tanto para precisão quanto para métricas além da precisão. Ao entender que recomendar itens familiares é diferente de introduzir novos, podemos criar uma experiência de compra melhor pra os usuários.

#Direções Futuras

Seguindo em frente, mais pesquisas são necessárias pra explorar o equilíbrio entre precisão e métricas além da precisão na NBR. À medida que o comportamento do consumidor continua a evoluir, nossas abordagens na NBR também devem evoluir. O objetivo deve sempre ser criar um sistema de recomendações que ajude os usuários a encontrar o que precisam, enquanto promove justiça e diversidade no mercado.

Resumindo, a estrutura TREx não só transforma a forma como pensamos sobre recomendações, mas também pavimenta o caminho para uma experiência de compra mais justa e diversificada no varejo online.