Um sistema de recomendação, ou sistema de recomendador, é um software que prevê as preferências de um usuário e sugere itens, como produtos, filmes, músicas ou artigos de notícias, que o usuário provavelmente desejará. Os sistemas de recomendação impulsionam grande parte da personalização da internet moderna, desde listagens de produtos no comércio eletrônico até feeds de vídeo e música e linhas do tempo de mídias sociais, e estão entre as aplicações economicamente mais significativas do aprendizado de máquina.
Técnicas
Duas abordagens clássicas dominam o campo. A filtragem colaborativa infere as preferências de um usuário a partir do comportamento de usuários semelhantes, sem precisar entender diretamente o conteúdo dos itens. A filtragem baseada em conteúdo, por sua vez, recomenda itens semelhantes em atributos ao que o usuário gostou anteriormente, usando características dos próprios itens. A competição aberta da Netflix de 2006 a 2009 para melhorar a precisão de sua filtragem colaborativa em 10%, com um prêmio de 1 milhão de dólares, foi um evento marcante que popularizou as técnicas de fatoração de matrizes e atraiu atenção mainstream para o campo; foi vencida em 2009 por uma equipe que combinou múltiplos modelos por meio de ensembling. Os sistemas modernos usam cada vez mais aprendizado profundo, representando usuários e itens como vetores, ou embeddings, aprendidos de modo que usuários e itens semelhantes fiquem próximos em um espaço compartilhado, que pode então ser pesquisado eficientemente usando um banco de dados vetorial e técnicas relacionadas à busca semântica. Arquiteturas de redes neurais, como modelos de duas torres e, desde os anos 2020, modelos sequenciais baseados em transformers que tratam o histórico do usuário como uma sequência para prever a próxima interação provável, tornaram-se comuns em grandes plataformas.
Aplicações e impacto nos negócios
Os sistemas de recomendação são centrais para os modelos de negócios da Amazon, cujas recomendações de produtos impulsionam uma grande parcela das vendas; da Netflix e do YouTube, cujas recomendações de conteúdo impulsionam a maior parte da audiência; da descoberta musical do Spotify; e de plataformas sociais como TikTok e Instagram, onde algoritmos de classificação de feeds são amplamente creditados por impulsionar o engajamento do usuário e a receita publicitária.
Críticas
Os sistemas de recomendação têm atraído críticas em várias frentes. Algoritmos de classificação de feeds otimizados puramente para engajamento têm sido associados a bolhas de filtro e polarização, já que maximizar o tempo de exibição ou os cliques pode favorecer conteúdo sensacionalista ou extremo. Críticos também levantaram preocupações sobre viés algorítmico, em que sistemas treinados em dados históricos de interação podem reforçar disparidades existentes no que é recomendado a quem, e sobre a opacidade desses sistemas, uma questão estudada sob a pesquisa de IA explicável e interpretabilidade, já que usuários e reguladores muitas vezes não conseguem ver por que um item específico foi recomendado. Preocupações com privacidade também são comuns, pois a personalização eficaz geralmente exige a coleta de dados comportamentais detalhados. À medida que os modelos de linguagem de grande escala amadureceram, algumas plataformas começaram a explorar interfaces de recomendação conversacionais baseadas em LLM, que permitem aos usuários descrever o que desejam em linguagem natural, em vez de depender apenas de sinais comportamentais implícitos.