Uma estrutura de aprendizado profundo baseada em comutação para recomendações personalizadas e adaptativas em comércio eletrônico

Por que sugestões online mais inteligentes importam

Cada vez que você compra online, nos bastidores um algoritmo tenta adivinhar o que você pode querer ver a seguir. Ainda assim, as pessoas usam sites de compras de maneiras muito diferentes: algumas acabaram de chegar, outras navegam casualmente e há também clientes assíduos. Este artigo apresenta uma nova estrutura de recomendação que se adapta a essas diferenças em tempo real, com o objetivo de tornar as sugestões de produtos mais precisas, justas e úteis para todos — desde visitantes de primeira viagem até compradores frequentes.

Três tipos de compradores, não apenas um

Os autores começam argumentando que tratar todos os usuários da mesma forma é receita para recomendações fracas. Eles dividem os compradores em três grupos amplos com base em quanto interagem com o site. “Novatos” têm quase nenhum histórico, talvez apenas algumas pesquisas ou cliques. “Usuários leves” fizeram algumas visitas ou compras. “Usuários intensivos” deixam um longo rastro de visualizações, cliques, adições ao carrinho, avaliações e pedidos. Cada grupo gera tipos e quantidades diferentes de dados, então um algoritmo único tem dificuldade em atendê‑los igualmente bem.

Ajuda a visitantes novos com imagens e descrições

Para usuários totalmente novos, o truque usual — procurar padrões passados no comportamento — simplesmente não funciona porque esse histórico não existe. O sistema proposto enfrenta esse problema de “cold start” apoiando‑se nos próprios produtos. Ele usa uma rede neural que aprende a partir tanto das imagens dos produtos quanto de seus detalhes escritos, como título, marca, categoria e preço. Esses diferentes pedaços de informação são combinados em uma representação numérica compartilhada, de modo que produtos com aparência e descrições similares ficam próximos nesse espaço abstrato. Quando um visitante novo digita uma consulta simples ou clica em alguns itens, o sistema mapeia essas ações para o mesmo espaço e retorna produtos próximos, efetivamente estimando o gosto a partir da aparência e do texto em vez de hábitos de longo prazo.

Atendendo compradores casuais com correspondência leve

Usuários leves fornecem algumas pistas diretas — como um pequeno número de visualizações ou compras passadas — mas ainda não o suficiente para métodos muito complexos. Para esse grupo, a estrutura usa um modelo simplificado de “duas torres”. Uma torre resume quem é o usuário e o que ele fez até agora; a outra resume as características do produto. Durante o treinamento, o sistema aprende a aproximar a representação do usuário dos itens com os quais ele interagiu e a afastá‑la de outros. Esse desenho permite varreduras muito rápidas por catálogos grandes para selecionar uma lista curta de itens promissores. Testes mostram que, após o treinamento, a probabilidade de o item correto aparecer entre as 10 principais sugestões aproximadamente dobra, e a qualidade do ranqueamento melhora substancialmente em comparação com uma versão não treinada.

Potencializando usuários intensivos com muitos sinais ao mesmo tempo

Usuários intensivos deixam rastros ricos: o que visualizam, o que compram, como avaliam itens e mais. Em vez de focar apenas em um desses comportamentos, os autores constroem um modelo de múltiplas tarefas que aprende a lidar com vários objetivos ao mesmo tempo. Um núcleo compartilhado representa tanto usuários quanto produtos; sobre esse núcleo, um ramo prevê avaliações enquanto outro prevê quais itens o usuário provavelmente escolherá a seguir. Treinar ambas as tarefas juntas permite que sinais abundantes porém ruidosos, como visualizações de produto, reforcem o aprendizado para sinais mais raros mas informativos, como avaliações. Experimentos mostram que modelos ajustados apenas para avaliações ou apenas para recuperação funcionam bem em seu objetivo único, mas mal no outro, enquanto o modelo conjunto alcança um equilíbrio geral melhor.

Acionando a ferramenta certa no momento certo

A ideia central que conecta essas partes é um mecanismo de comutação que escolhe o modelo adequado com base no nível atual de engajamento de cada pessoa. Conforme alguém passa de visitante novo a comprador casual e depois a cliente frequente, o sistema acompanha mudanças na atividade e encaminha automaticamente seus dados pelo módulo mais apropriado. Entre os três grupos, esse desenho adaptativo reduz erros de previsão, aumenta as taxas de acerto e faz melhor uso dos muitos sinais fracos que as plataformas modernas coletam. Em termos práticos, isso significa que sua lista “Recomendado para você” pode permanecer relevante tanto se você acabou de chegar quanto se faz compras no site há anos, sem que as necessidades de um grupo se sobreponham às de outro.

Citação: Saini, K., Singh, A., Diwakar, M. et al. A switching-based deep learning framework for personalized and adaptive E-commerce recommendations. Sci Rep 16, 10382 (2026). https://doi.org/10.1038/s41598-026-40024-5

Palavras-chave: recomendação de comércio eletrônico, compras personalizadas, aprendizado profundo, comportamento do usuário, sistemas de recomendação