NFT-MARS: Uma Nova Ferramenta para Recomendações de NFTs

Sistemas de Recomendação são ferramentas úteis que ajudam as pessoas a encontrarem conteúdos que podem curtir, como filmes, músicas ou produtos à venda. Recentemente, o mercado de Tokens Não Fungíveis (NFTs) cresceu rápido, mas não se focou muito em sistemas de recomendação nessa área. NFTs são itens digitais únicos que não podem ser copiados, o que os torna diferentes dos itens comuns. À medida que o mercado de NFTs se torna mais popular, é essencial criar sistemas que consigam recomendar NFTs aos usuários de forma eficaz.

#O Crescimento dos NFTs

Os NFTs chamaram atenção como uma alternativa digital a colecionáveis. Em 2021, o valor total do mercado de NFTs chegou a cerca de 41 milhões de dólares, quase igual ao mercado global de arte fina. O mercado começou a crescer de forma significativa por volta de 2020. Nesse ano, houve mais de 1,4 milhão de vendas de NFTs, gerando um volume de transações de mais de 82 milhões de dólares. Em 2021, esses números aumentaram drasticamente para mais de 27 milhões de vendas, com um volume de quase 17,7 bilhões de dólares. Colecionáveis representam cerca de 27% dessas transações. Dado esse crescimento rápido, entender os NFTs e como recomendá-los é fundamental.

#Desafios nas Recomendações de NFTs

Criar um sistema de recomendação para NFTs é desafiador por três motivos principais. Primeiro, as interações usuário-item costumam ser escassas. Isso significa que a maioria dos NFTs tem muito poucas transações, dificultando a Coleta de Dados suficientes para fazer recomendações precisas. Ao contrário de músicas ou filmes, onde muitas pessoas podem curtir o mesmo conteúdo, um NFT só pode ser possuído por uma pessoa por vez.

Segundo, muitas transações de NFTs são anônimas, o que complica a coleta de dados e preferências dos usuários de forma eficaz. Como os NFTs existem em uma blockchain, é difícil rastrear as características individuais dos usuários.

Terceiro, os NFTs servem como obras de arte e investimentos financeiros. Os usuários podem querer comprar NFTs por diferentes motivos, como colecionar arte ou lucrar. Isso significa que um sistema de recomendação deve levar em conta várias motivações de compra.

#A Abordagem NFT-MARS

Para lidar com esses desafios, desenvolvemos um novo sistema de recomendação chamado NFT-MARS. Esse sistema tem três características principais. Primeiro, usa atenção em grafo para lidar melhor com as interações escassas entre usuários e itens. Segundo, inclui atenção multimodal, permitindo que ele considere várias preferências dos usuários com base em diferentes tipos de dados. Por fim, utiliza Aprendizado Multitarefa para reconhecer NFTs como obras de arte e ativos financeiros.

Nossa pesquisa envolve dados reais de transações de redes blockchain de quatro coleções populares de NFTs. Mostramos que o NFT-MARS supera vários outros modelos padrão em recomendar NFTs.

#Como Funciona o NFT-MARS

#Coleta de Dados

Para o nosso estudo, focamos em quatro coleções de NFTs bem conhecidas: Bored Apes Yacht Club, Cool Cats, Doodles e Meebits. Coletamos dados sobre suas vendas e características de várias fontes, cobrindo o período entre setembro de 2021 e março de 2023. Nosso conjunto de dados inclui informações sobre usuários, itens e interações.

#Características dos Itens NFT

As coleções de NFTs costumam ter estilos artísticos semelhantes. Por exemplo, o Bored Ape Yacht Club é composto por 10.000 obras de arte NFT únicas que retratam diferentes versões de macacos. Cada NFT tem várias características, como cor e estilo. Traços mais raros tendem a ser mais valiosos.

Ao recomendar NFTs, é importante considerar tanto seus aspectos artísticos quanto financeiros. Analisamos várias características para entender melhor o valor dos NFTs, incluindo imagens, descrições textuais, preços de venda e frequências de transação. Imagens são essenciais para entender as qualidades visuais, enquanto as características textuais fornecem insights sobre raridade e singularidade.

#Características dos Usuários

Entender as características dos usuários é crucial para fazer recomendações precisas. Observamos aspectos como preço médio de compra, frequência de transação e o número total de transações de cada usuário. Essas informações ajudam o sistema a prever o que os usuários podem querer comprar com base em seu comportamento.

#Estrutura do Modelo

O modelo NFT-MARS vê cada endereço de carteira como um usuário único e cada NFT como um item. Criamos uma matriz para rastrear as interações usuário-item com base em se um usuário comprou um determinado NFT. Também analisamos as preferências dos usuários com base em vários tipos de dados, como imagens e preços.

#Inicialização de Embedding

Para começar, inicializamos os embeddings de usuários e itens, que são representações numéricas das características. Isso envolve alimentar os dados através de uma camada linear para gerar embeddings iniciais para usuários e itens.

#Mecanismo de Atenção

Usamos um mecanismo de atenção com controle para melhorar esses embeddings. Isso permite que o sistema pese diferentes aspectos dos dados de acordo com sua importância para cada usuário. O modelo aprende quais características são mais relevantes com base nas interações anteriores.

#Tarefas de Aprendizado

Nosso modelo realiza duas tarefas principais de aprendizado. A primeira é prever quais itens um usuário provavelmente comprará. O sistema calcula pontuações com base nos embeddings de usuários e itens para fazer essas previsões.

A segunda tarefa é a previsão de movimento de preços, onde o sistema tenta prever se o preço de um NFT vai subir ou descer. Essa informação pode ajudar os usuários a tomarem decisões de compra melhores.

#Resultados dos Experimentos

Realizamos experimentos usando dados reais de transações de NFTs. Nossas descobertas mostraram que o NFT-MARS supera os modelos de referência existentes em termos de precisão de recomendação. Medimos o desempenho usando métricas como Recall e NDCG.

#Efeitos das Características do Modelo

1. Aprendizado Multitarefa: Ao incorporar tanto os aspectos artísticos quanto financeiros dos NFTs, nosso modelo melhora significativamente a experiência do usuário em comparação a uma abordagem de tarefa única.

2. Aprendizado Multimodal: O sistema apresentou um desempenho melhor ao usar múltiplos tipos de dados em vez de apenas um tipo. Isso indica a importância de uma diversidade de entradas de dados.

#Análise de Preferência do Usuário

O estudo também revelou preferências variadas entre usuários de diferentes coleções de NFTs. Por exemplo, alguns usuários se importavam mais com a frequência de transações, enquanto outros valorizavam mais o preço. Isso mostra a necessidade de uma abordagem personalizada para as recomendações.

#Conclusão

Apresentamos o NFT-MARS, o primeiro sistema de recomendação projetado especificamente para o mercado de NFTs. Ao enfrentar os desafios únicos da escassez de interações entre usuários e itens, incorporando múltiplos tipos de dados e considerando a natureza dupla dos NFTs, nosso modelo demonstra capacidades de recomendação aprimoradas.

À medida que o mercado de NFTs continua a crescer, sistemas de recomendação eficientes serão essenciais para criar experiências melhores para os usuários e apoiar o desenvolvimento do mercado. Esperamos que nosso trabalho inspire mais pesquisas em sistemas avançados de recomendação para NFTs, contribuindo para mercados mais eficientes e o crescimento geral dessa indústria emergente.