O que é um mecanismo de recomendação?

Feb 02, 2024

Um mecanismo de recomendação, ou sistema de recomendação, é uma ferramenta de filtragem de dados que fornece sugestões personalizadas aos usuários com base em seu comportamento e preferências anteriores. Usando algoritmos de aprendizado de máquina e análise estatística, ele pode prever os desejos e necessidades de uma pessoa com base nos dados que ela gera, bem como sugerir produtos, conteúdos ou informações que provavelmente acharão interessantes ou relevantes.

“O objetivo”, de acordo com Patrick Thompson, diretor de produto do provedor de mecanismo de recomendação Amplitude, “é chegar ao ponto em que você recomenda o conteúdo certo para a pessoa certa, no momento certo, com base em sua jornada anterior. ”

Um mecanismo de recomendação é uma ferramenta que usa aprendizado de máquina para detectar padrões nos dados comportamentais de uma pessoa (como histórico de navegação e compras anteriores) para sugerir conteúdo, produtos ou informações específicas que provavelmente acharão interessantes ou relevantes.

Os mecanismos de recomendação estão em todo lugar, desde serviços de streaming de vídeo até sites de comércio eletrônico. Alguns exemplos conhecidos incluem o Netflix, que sugere programas e filmes que um usuário pode gostar com base em seu histórico de exibição, e o Google, que usa o histórico de navegação de uma pessoa para classificar informações e prever o que ela poderá pesquisar em seguida.

Num mundo de sobrecarga de informação, os motores de recomendação facilitam aos consumidores a descoberta dos produtos e conteúdos que desejam – e às empresas a criação de experiências personalizadas que fazem com que esses consumidores voltem sempre.

Leitura relacionadaPara usuários, melhor IA significa mais personalização

Simplificando, os mecanismos de recomendação reúnem muitos dados e usam o aprendizado de máquina para recomendar a “próxima melhor ação”, disse Thompson, e isso pode ser qualquer coisa, desde comprar um produto até clicar em um vídeo.

Existem duas categorias principais em jogo em um mecanismo de recomendação – usuários e itens, de acordo com Eugene Medved, desenvolvedor de IA do provedor de mecanismo de recomendação InData Labs. “A tarefa em si”, explicou ele, “é classificar os itens para um usuário específico por probabilidade de interação”.

Isto é realizado por uma ordem padrão de operações, começando com a coleta de dados.

Os dados são cruciais para o funcionamento dos mecanismos de recomendação. Informações sobre os hábitos de navegação de uma pessoa, histórico de compras – e ainda mais detalhes pessoais, como sexo e idade – formam os blocos de construção dos quais os padrões são extraídos. Quanto mais dados um mecanismo de recomendação tiver acesso, mais eficaz será ao fazer sugestões relevantes.

Esses dados normalmente vêm em duas formas. Um deles são os dados implícitos, que se referem a informações sobre o histórico de pesquisa, cliques, compras e outras atividades de um usuário; ele é coletado por uma empresa sempre que uma pessoa usa seu site. A outra são os dados explícitos, que abrangem as entradas do usuário, como avaliações, avaliações ou comentários anteriores. (Os motores de recomendação também utilizam dados relativos à idade, sexo e interesses gerais de uma pessoa para identificar clientes semelhantes.)

Reunir todos esses dados do cliente é essencial para construir um mecanismo de recomendação.

Depois que os dados do cliente são coletados, eles devem ser armazenados. Como e onde são armazenados depende do tipo de dados coletados.

Além dos dados sobre os usuários, as empresas também armazenam dados sobre os itens que fornecem, sejam sapatos ou programas de televisão. Isso pode variar de preço a gênero e tipo de item, e tudo isso é usado para ajudar a determinar semelhanças de produtos e preferências do usuário.

Em seguida, um sistema de aprendizado de máquina é colocado sobre esses dados, detalhando-os e analisando-os.

Os mecanismos de recomendação usam todos os tipos de algoritmos para analisar dados, mas o mais comum é a decomposição de valores singulares, ou SVD. Esta é uma técnica matemática que divide uma matriz em três matrizes menores em um esforço para detectar padrões e relações nos dados, bem como determinar a força desses padrões e relações. O objetivo é compreender melhor a estrutura subjacente de um grande conjunto de dados para que informações significativas possam ser extraídas.