Aprimorando o Engajamento do Usuário com Recomendações Multidomínio

Hoje em dia, várias plataformas online oferecem diferentes tipos de serviços ao mesmo tempo. Por exemplo, você pode encontrar streaming de música, jogos e eBooks disponíveis no mesmo site. Os usuários geralmente curtem alguns desses serviços, mas muitos não têm ideia dos outros. Isso oferece uma chance única para as plataformas recomendarem itens de serviços que os usuários ainda não experimentaram. Essa tarefa é chamada de Recomendação Multi-Domínio para Atração de Usuários (MDRAU).

O objetivo do MDRAU é sugerir itens desses serviços "não vistos" com base nos serviços com os quais um usuário já interagiu antes. No entanto, existem desafios nessa tarefa. Cada usuário tem um conjunto diferente de serviços que usou, criando muitas combinações de serviços vistos e não vistos. Além disso, os usuários podem ter interesses diferentes em cada serviço, tornando importante que as recomendações reflitam suas preferências.

Para abordar esses desafios, propomos uma nova estrutura que considera os interesses dos usuários em dois níveis: domínio do serviço e itens individuais. Essa estrutura utiliza uma técnica para aprender relacionamentos entre serviços de maneira unificada.

#A Necessidade de Recomendações Multi-Domínio

Com opções diversas disponíveis nas plataformas, recomendar itens de serviços que os usuários ainda não exploraram pode levar a mais engajamento. Quando os usuários recebem recomendações personalizadas, eles tendem a experimentar novos serviços. Isso não só beneficia os usuários, mas também ajuda no crescimento da plataforma.

A Recomendação Cross-Domain (CDR) é um método que ganhou atenção nos últimos anos. Ele aprende sobre as Preferências do Usuário a partir dos serviços que eles usaram e então faz sugestões para serviços que não tentaram. No entanto, a maioria das pesquisas focou em situações simples onde apenas dois serviços estão envolvidos. O cenário de múltiplos serviços (muitos-para-muitos) não foi examinado a fundo.

A necessidade do MDRAU é clara. Os usuários se beneficiam de uma variedade maior de experiências, e as plataformas podem aumentar o engajamento e a receita promovendo serviços não vistos.

#Os Desafios do MDRAU

#Combinações de Serviços

Devido a experiências diferentes dos usuários, o número de combinações de serviços vistos e não vistos pode ser esmagador. Com apenas alguns serviços, as possibilidades aumentam rapidamente. Essa complexidade torna difícil para métodos simples de recomendação, que focam em pares de serviços um-a-um, serem eficazes.

#Preferências Variadas dos Usuários

Os usuários têm interesses diferentes dependendo do serviço. Um usuário pode curtir música, mas não eBooks, por exemplo. Portanto, as recomendações precisam considerar tanto as preferências em nível de serviço quanto as preferências em nível de item - como os usuários se sentem sobre explorar um serviço no geral e como eles gostam de itens específicos dentro desse serviço.

#A Estrutura Proposta

Para enfrentar esses problemas, introduzimos uma estrutura que aprende preferências de uma maneira unificada, considerando tanto o nível de serviço quanto o nível de item. O processo de treinamento envolve prever informações ausentes com base no contexto.

A ideia é mascarar aleatoriamente algumas das preferências do usuário durante o treinamento. Ao prever essas preferências mascaradas, o modelo aprende a entender os comportamentos dos usuários em serviços não vistos.

#Codificadores de Usuário e Modelagem

Cada serviço pode ser visto como tendo seu próprio modelo que captura interações dos usuários. Nossa estrutura inclui um codificador multi-dominial, que reúne informações desses diferentes serviços para criar uma compreensão mais abrangente das preferências dos usuários.

Quando processa os dados de um usuário, ele pode lidar com casos em que o usuário não interagiu com certos serviços. Usando um token especial que representa serviços não vistos, o modelo ainda pode fazer previsões significativas.

#Testando e Validando a Estrutura

Para testar nossa nova abordagem, usamos conjuntos de dados do mundo real de plataformas online, focando particularmente em quão bem a estrutura consegue recomendar itens de serviços não vistos. Avaliamos seu desempenho comparando-o com métodos de recomendação existentes.

#Avaliação de Desempenho

Dividimos o desempenho em duas áreas: recomendações de serviço de alvo único, onde recomendamos de um serviço específico não visto, e recomendações de serviço de múltiplos alvos, onde fornecemos sugestões de vários serviços não vistos.

Em ambos os casos, nossa estrutura se destaca das outras, mostrando melhorias significativas em como captura as preferências dos usuários.

#Insights das Preferências dos Usuários

Através dos nossos testes, também podemos analisar o quão bem nossa estrutura captura os interesses dos usuários em nível de serviço. Focamos em entender como o modelo prevê o que um usuário pode preferir em diferentes serviços.

#Conclusão

O cenário das plataformas online está sempre mudando, e os usuários estão constantemente explorando novos serviços. Nossa estrutura para recomendações multi-dominiais oferece uma maneira de guiar os usuários para esses novos territórios, garantindo que eles tenham uma experiência online mais rica. O trabalho destaca a importância de criar recomendações personalizadas que possam se adaptar aos interesses variados dos usuários. Fazendo isso, as plataformas podem aumentar a satisfação dos usuários e impulsionar o crescimento.

#Direções Futuras

À medida que avançamos, há oportunidades de refinar ainda mais nossa abordagem. Explorar diferentes técnicas para modelar preferências, aprimorar os métodos de integração de feedback e expandir os conjuntos de dados usados para testes podem abrir caminho para recomendações ainda melhores.

Com as estratégias certas em prática, as plataformas podem contar com essas estruturas avançadas de recomendação para não só manter o interesse dos usuários, mas também ajudar os usuários a descobrir conteúdos legais que eles talvez não encontrassem sozinhos.