Um modelo espaço-temporal de recomendação do próximo POI baseado na inércia do comportamento do usuário

Por que seus lugares preferidos continuam aparecendo

Qualquer pessoa que use apps de mapas ou avaliações já viu os mesmos cafés, academias ou parques subirem silenciosamente ao topo das sugestões. Este artigo explora por que nossos hábitos cotidianos tornam essas recomendações surpreendentemente previsíveis e como matemática mais inteligente pode transformar dados dispersos de check-ins em sugestões de próximos lugares mais úteis e menos aleatórias.

Hábitos por trás de onde vamos

Os autores partem de uma observação simples: as pessoas raramente escolhem o próximo destino ao acaso. A vida diária é guiada por propósitos como comer, deslocar-se, relaxar ou sair. Com o tempo, ir repetidamente a locais semelhantes para o mesmo propósito cria o que os autores chamam de inércia do comportamento, uma espécie de atração padrão por locais familiares. Ao mesmo tempo, a vida real é desordenada. Hora do dia, distância e a vontade de experimentar algo novo podem afastar as pessoas de suas escolhas habituais, atuando como resistência a essa inércia. O desafio é capturar ambas as tendências para que um sistema de recomendação consiga prever o próximo destino de um usuário com maior confiabilidade.

Ordenando lugares por propósito cotidiano

Um obstáculo é que mesmo apps populares baseados em localização têm dados muito esparsos para qualquer pessoa; cada usuário visita apenas uma fração ínfima de todos os estabelecimentos disponíveis. Para amenizar esse problema, os pesquisadores agrupam pontos de interesse em quatro propósitos amplos e intuitivos: comer e beber, transporte e acomodação, entretenimento para sair e atividades ao ar livre. Um único estabelecimento pode pertencer a mais de um grupo se desempenhar múltiplas funções, como um bar que também é restaurante. A partir do histórico de cada usuário, eles então constroem uma linha do tempo de propósitos em vez de coordenadas brutas. Técnicas simples de séries temporais estimam quando um usuário tem maior probabilidade de perseguir cada propósito a seguir, o que afunila fortemente o conjunto de locais candidatos antes de qualquer pontuação mais refinada ser aplicada.

Combinando distância e força do hábito

Depois de inferir o propósito provável do usuário, o modelo volta-se para a geografia e o hábito. As pessoas tendem a se deslocar dentro de algumas zonas familiares onde locais-chave, como casa ou trabalho, atuam como centros. Usando check-ins passados, o sistema aprende onde esses centros estão e com que frequência cada ponto próximo foi visitado. Locais mais próximos dos pontos frequentes de um usuário recebem um impulso natural, refletindo o esforço extra necessário para viajar mais longe. Ao mesmo tempo, o modelo mede a inércia do comportamento observando com que regularidade alguém retorna ao mesmo estabelecimento e qual é a duração típica dos intervalos entre visitas. Também considera quantos estabelecimentos diferentes uma pessoa experimenta para o mesmo propósito: alguém de hábito que sempre janta no mesmo restaurante se comporta de modo distinto de quem está constantemente experimentando, mesmo que ambos jantem fora com frequência.

Equilibrando zonas de conforto e curiosidade

O cerne da abordagem é tratar inércia e resistência como forças concorrentes. Se um usuário frequentemente retorna a um lugar com intervalos temporais consistentes, o modelo assume uma forte atração para voltar lá, especialmente quando a janela prevista para a próxima visita está se aproximando. Para locais raramente visitados, o sistema verifica se estão próximos da posição atual do usuário e se fazem parte de uma categoria mais ampla que o usuário costuma explorar. Isso possibilita recomendar não apenas os redutos regulares óbvios, mas também escolhas novas plausíveis em bairros familiares. A pontuação final para cada local candidato combina três ingredientes: propósito previsto, proximidade geográfica e a força aprendida da inércia do comportamento em relação à resistência.

Essas previsões mais inteligentes realmente funcionam?

Para testar seu método, os autores o aplicaram a quase um ano de check-ins reais em Nova York e Tóquio. Eles compararam seu modelo a uma longa lista de abordagens existentes, incluindo técnicas que dependem de redes sociais, aprendizado profundo e modelagem detalhada de sequências. Em ambas as cidades, seu modelo baseado na inércia do comportamento melhorou medidas-chave de precisão em até cerca de 15% no recall e 20% em uma medida de ranqueamento chamada MAP. Em termos simples, o sistema não só encontra o próximo lugar correto com mais frequência como também tende a colocá-lo mais alto na lista sugerida, onde o usuário tem maior probabilidade de percebê-lo.

O que isso significa para recomendações futuras

Para usuários do dia a dia, a conclusão é que recomendações melhores vêm de entender por que vamos a lugares, não apenas onde e quando. Ao reconhecer que as pessoas seguem rotinas soltas moldadas por propósito, hábito e pequenos impulsos para explorar, este modelo oferece uma forma de sugerir próximos destinos que pareçam intuitivos e oportunos. Os autores sugerem que trabalhos futuros poderiam adaptar o balanço entre inércia e resistência à medida que mais dados chegam, e combinar isso com aprendizado profundo moderno, dando aos serviços baseados em localização um senso mais humano tanto de zonas de conforto quanto de curiosidade.

Citação: Zhang, K., Chu, D., Tu, Z. et al. A user behavior inertia based spatio temporal next POI recommendation model. Sci Rep 16, 15784 (2026). https://doi.org/10.1038/s41598-026-42191-x

Palavras-chave: recomendação do próximo POI, inércia do comportamento do usuário, serviços baseados em localização, modelagem espaço-temporal, padrões de mobilidade