Redes neurais potencializam recomendações mais que volume de dados
Pesquisas recentes em machine learning demonstram que compreender as intenções dos usuários, em vez de simplesmente aumentar o volume de dados, pode aprimorar as recomendações fornecidas pelos algoritmos de AI. Com isso, as plataformas de streaming e compra online, como YouTube e Amazon, podem oferecer sugestões mais precisas e eficazes.
Contexto da pesquisa
A necessidade de aprimorar os sistemas de recomendação se intensifica à medida que as plataformas buscam aumentar a personalização das experiências dos usuários. De acordo com Yuyan Wang, professora assistente de marketing na Stanford Graduate School of Business, os algoritmos atuais muitas vezes são tratados como caixas-pretas, onde nem desenvolvedores conseguem identificar como aplicá-los em novos cenários.
Método proposto
No novo estudo, Wang e seus co-autores introduzem uma abordagem que começa com a predição da intenção do usuário no momento em que ele acessa o YouTube. O sistema, denominado IS-Rec (Intent-Structured Whole-Page Recommender System), foca em classificar as intenções dos usuários, como o desejo de familiaridade ou a busca por novidade, antes de gerar recomendações.
“O que nós estamos propondo é que esses sistemas de recomendação devem ir além da predição de itens e adotar uma compreensão de nível superior dos usuários.”
(“What we’re proposing is that these recommendation systems should go beyond item-level prediction and adopt a higher-order understanding of users.”)— Yuyan Wang, Professora Assistente, Stanford Graduate School of Business
Resultados e impacto
A inclusão da predição da intenção levou a um aumento de 0,05% no número de usuários ativos diários no YouTube. Embora este número pareça pequeno, os pesquisadores consideram que se trata de uma das melhorias mais significativas nas métricas da plataforma. A nova abordagem não apenas melhora a eficácia do sistema de recomendação, mas também aumenta a satisfação dos usuários.
A pesquisa utiliza dados coletados da plataforma para estruturar as recomendações, evitando pesquisas intrusivas que poderiam interferir na experiência do usuário. A análise se concentrou em duas intenções principais: familiaridade e novidade, permitindo observar como essas motivações influenciam o comportamento do consumidor.
Possíveis aplicações
Os resultados indicam que um redesign na estrutura dos sistemas de recomendação pode resultar em melhorias notáveis. Esses insights podem ser aplicados em diversas plataformas para aprimorar a personalização e a experiência do usuário, destacando a importância do entendimento comportamental na formação de sistemas baseados em AI.
Fonte: (TechXplore – Machine Learning & AI)
