Reformulando as Compras no Supermercado com Novas Dicas

Recomendar produtos para os usuários é uma parte essencial das compras online, especialmente quando se trata de supermercado. Os clientes costumam comprar várias coisas de uma vez, então entender suas preferências é importante. Este artigo fala sobre uma tarefa específica chamada Recomendação de Próxima Cesta Inovadora (RPCI). RPCI significa sugerir um novo conjunto de itens que o cliente nunca comprou antes, com base nas compras anteriores dele.

#Entendendo a Recomendação da Próxima Cesta

A Recomendação da Próxima Cesta (RPC) é sobre prever o que um usuário vai comprar a seguir, olhando para as compras passadas dele. Nas compras de supermercado, essa recomendação muitas vezes envolve vários itens que o cliente precisa juntos. Por exemplo, se um usuário já comprou pão e manteiga, o sistema pode sugerir geleia como algo que ele pode querer comprar junto com esses itens no futuro.

Na tarefa de RPC, é importante diferenciar dois tipos de itens: itens repetidos, que o usuário já comprou antes, e itens novos, que são novidades para ele. Alguns métodos de RPC focam apenas em itens repetidos, ignorando o fator novidade. Ao focar só em itens novos, a RPCI tem como objetivo ajudar os usuários a descobrir produtos que nunca experimentaram, mas que podem gostar.

#Por que Focar em Itens Novos?

As pessoas podem ficar entediadas de comprar as mesmas coisas repetidamente. Muitos consumidores de supermercado, mesmo que comprem frequentemente os mesmos produtos, querem experimentar algo novo de vez em quando. É por isso que a RPCI é valiosa. Ao ajudar os usuários a encontrar novos produtos, ela pode tornar a experiência de compra mais agradável e satisfatória.

Pesquisas mostram que muitos sistemas de recomendação existentes focam demais em itens repetidos, o que pode levar a uma falta de exploração de produtos novos. Portanto, a RPCI busca preencher essa lacuna, fornecendo recomendações que enfatizam itens novos, enquanto ainda considera o comportamento de compra passado.

#A Tarefa da RPCI e Sua Importância

A tarefa da RPCI visa criar uma cesta de itens que os usuários nunca compraram antes, com base nos padrões de compra históricos deles. Essa tarefa atende não apenas a necessidades práticas no contexto de compras de supermercado, mas também fornece uma maneira de avaliar quão bem os sistemas de recomendação existentes conseguem encontrar novos itens para os usuários.

A tarefa da RPCI é particularmente relevante nas compras de supermercado, onde as seleções são tipicamente diversas e os usuários querem satisfazer várias necessidades em cada ida ao mercado. Como resultado, a RPCI pode ajudar os varejistas a fornecer recomendações direcionadas aos clientes, aumentando sua satisfação geral.

#Enfrentando o Desafio da RPCI

Para lidar com o desafio da RPCI de forma eficaz, um novo modelo chamado Modelo de Recomendação de Cesta Transformer Bi-Direcional (MRCBD) foi proposto. Esse modelo se concentra em entender como diferentes itens se relacionam entre si com base no histórico do usuário, sem se perder em representações complexas de cestas inteiras.

#Principais Recursos do MRCBD:

• Relacionamentos entre Itens: O MRCBD enfatiza os relacionamentos entre itens, em vez de criar representações complicadas para cestas. Isso ajuda a prever quais novos itens podem combinar bem com os itens comprados anteriormente.

• Métodos de Treinamento: Para garantir que o modelo aprenda de forma eficaz, várias estratégias de treinamento são implementadas. Isso inclui mascarar certos itens, ajudando o modelo a se concentrar em aprender quais novos itens sugerir com base nas interações entre os itens.

• Ordens de Itens Flexíveis: Reconhecendo que os itens dentro das cestas nem sempre seguem uma ordem fixa, o MRCBD permite relacionamentos mais flexíveis, melhorando as recomendações.

#Estratégias de Mascaramento para Melhores Recomendações

Para melhorar como o MRCBD funciona, várias estratégias de mascaramento são propostas:

1. Mascaramento Aleatório: Nesse método, itens no histórico do usuário são escondidos aleatoriamente. O modelo tenta prever esses itens com base no contexto, ajudando-o a aprender sobre relacionamentos entre itens.

2. Mascaramento Seletivo: Aqui, itens específicos são escolhidos para serem mascarados. O modelo aprende a prever esses itens mascarados sem repetições do resto da cesta, forçando-o a se concentrar em encontrar itens novos.

3. Mascaramento em Nível de Cesta: Essa estratégia mascara cestas inteiras em vez de itens individuais, permitindo que o modelo preveja itens para toda a cesta final com base nas compras anteriores.

4. Mascaramento Conjunto: Isso combina diferentes estratégias de mascaramento para criar uma experiência de aprendizado mais robusta.

Cada estratégia de mascaramento serve para aprimorar a compreensão do modelo sobre os relacionamentos entre itens de uma forma que é mais propensa a encontrar itens novos.

#O Papel da Troca de Itens

Uma técnica adicional usada no MRCBD é a troca de itens. Esse método move itens aleatoriamente entre cestas durante o treinamento. Ao fazer isso, o modelo pode ver diferentes combinações de itens juntas, enriquecendo sua compreensão de como vários itens podem se complementar em contextos de compras do dia a dia.

#Experimentação e Resultados

Para avaliar o quão bem o modelo MRCBD se sai, testes extensivos foram realizados usando três conjuntos de dados diferentes de compras de supermercado. Várias métricas foram usadas para medir o sucesso, focando em quão bem o modelo conseguia encontrar e recomendar novos itens.

#Descobertas das Experiências:

• Variabilidade de Desempenho: Nenhum método existente se destacou consistentemente em todos os conjuntos de dados, indicando a necessidade de abordagens mais personalizadas como o MRCBD.

• Benefícios do Treinamento Direcionado: Treinamentos especificamente voltados para a tarefa da RPCI geralmente melhoraram o desempenho em comparação com métodos tradicionais que focavam em todos os itens, mas os resultados variaram com base na abordagem usada e nas características do conjunto de dados.

• Importância da Novidade: As descobertas enfatizaram a capacidade do modelo de identificar novos itens, reforçando a ideia de que bons sistemas de recomendação devem equilibrar sugestões de itens repetidos e novos.

#Conclusão

A tarefa da RPCI é significativa para melhorar a experiência de compras de supermercado online. Os modelos de recomendação atuais muitas vezes negligenciam a importância de itens novos em favor de compras repetidas, mas a RPCI aborda isso propondo novas metodologias e estratégias para descobrir e recomendar produtos novos aos usuários.

Com o MRCBD, a capacidade de estabelecer uma conexão entre compras existentes e potenciais novos itens é fortalecida, levando a uma melhor experiência de compra para os clientes. Trabalhos futuros provavelmente irão expandir essas técnicas, explorando ainda mais como otimizar recomendações com base nas preferências e comportamentos dos usuários.

Ao continuar a refinar métodos como a RPCI e desenvolver ainda mais modelos como o MRCBD, a experiência de compras de supermercado pode se tornar mais dinâmica e satisfatória para os usuários, ajudando também os varejistas a atender às diversas necessidades da sua base de clientes.