Como funcionam os algoritmos que recomendam vídeos e produtos na internet?

Os sistemas de recomendação analisam dados sobre o comportamento dos usuários e as características dos conteúdos ou produtos para estimar o que cada pessoa provavelmente terá interesse em assistir ou comprar.

Eles não “sabem” exatamente o que uma pessoa deseja. Fazem previsões com base em padrões encontrados nos dados.

Que informações são analisadas?

Dependendo da plataforma, o sistema pode considerar ações como:

• vídeos assistidos;
• pesquisas realizadas;
• produtos visualizados;
• cliques;
• curtidas e avaliações;
• tempo de interação;
• compras;
• conteúdos ignorados ou abandonados rapidamente.

Também podem ser consideradas características do próprio conteúdo, como categoria, palavras-chave, descrição ou outros atributos.

Como o algoritmo transforma essas ações em recomendações?

O sistema transforma os dados em sinais matemáticos.

Por exemplo, se uma pessoa assiste frequentemente a vídeos sobre astronomia, o sistema pode identificar esse padrão e aumentar a probabilidade de recomendar conteúdos relacionados.

O mesmo princípio pode ser usado em uma loja virtual: visualizar vários produtos de determinada categoria pode indicar interesse nessa categoria.

Como o sistema encontra pessoas com interesses semelhantes?

Uma técnica tradicional é a filtragem colaborativa.

O sistema compara comportamentos de diferentes usuários.

Se várias pessoas apresentam padrões semelhantes de interação e um grupo delas demonstra interesse por determinado conteúdo, esse conteúdo pode ser recomendado às outras pessoas do grupo.

A lógica básica é:

usuários com comportamentos semelhantes → interesses potencialmente semelhantes.

O algoritmo também analisa o conteúdo?

Sim.

Na filtragem baseada em conteúdo, o sistema compara características dos itens com aquilo que o usuário já demonstrou interesse.

Se alguém costuma interagir com vídeos sobre astronomia, por exemplo, o sistema pode procurar outros vídeos com características semelhantes.

Sistemas modernos podem utilizar modelos de aprendizado de máquina para representar usuários e conteúdos matematicamente e encontrar relações mais complexas.

Por que as recomendações mudam constantemente?

O sistema recebe novos dados continuamente.

Cada nova interação pode alterar a estimativa sobre os interesses do usuário.

Se uma pessoa começa a assistir a muitos vídeos de culinária, por exemplo, o sistema pode aumentar temporariamente a presença desse assunto nas recomendações.

Por outro lado, deixar de interagir com determinado tipo de conteúdo pode reduzir sua prioridade.

O que significa “personalizar” uma recomendação?

Personalizar significa calcular diferentes probabilidades para diferentes usuários.

Duas pessoas podem abrir a mesma plataforma e receber recomendações completamente diferentes porque seus históricos e padrões de comportamento são diferentes.

A plataforma também pode testar conteúdos novos para descobrir se o usuário demonstra interesse neles.

Como o algoritmo escolhe qual conteúdo mostrar primeiro?

Normalmente, o sistema gera vários candidatos e atribui uma pontuação de relevância a cada um.

Essa pontuação pode considerar fatores como probabilidade de clique, tempo esperado de visualização, interesse estimado, qualidade do conteúdo, histórico do usuário e outros objetivos definidos pela plataforma.

Depois, os itens são ordenados e apresentados.

O método exato varia de acordo com cada serviço.

O algoritmo pode cometer erros?

Sim.

Uma recomendação é uma previsão, não uma certeza.

O sistema pode interpretar uma interação ocasional como um interesse permanente ou continuar recomendando determinado assunto porque o usuário interagiu muito com ele anteriormente.

Além disso, sistemas de recomendação podem reforçar padrões existentes, criando o chamado efeito de retroalimentação: o sistema recomenda determinado conteúdo, a pessoa interage, e essa interação aumenta a probabilidade de conteúdos semelhantes serem recomendados novamente.

### Resumo

Os algoritmos de recomendação coletam sinais de comportamento e características dos conteúdos ou produtos. Modelos estatísticos e de aprendizado de máquina utilizam esses dados para estimar quais itens têm maior probabilidade de interessar a cada usuário.

Eles podem comparar usuários, comparar conteúdos ou combinar os dois métodos.

Em essência, um sistema de recomendação é um mecanismo de previsão: ele observa o que aconteceu antes e calcula quais conteúdos ou produtos têm maior probabilidade de gerar interesse em seguida.