KGERA: arquitetura de raciocínio aprimorada por knowledge graph para sistemas de recomendação

Por que sugestões mais inteligentes importam

Sites de streaming e aplicativos de compras estão sempre tentando adivinhar o que você pode gostar a seguir. Ainda assim, mesmo com montanhas de dados, essas previsões podem parecer estranhamente desencontradas: genéricas demais, concentradas em sucessos de bilheteria ou incapazes de captar a mistura peculiar de coisas que você realmente aprecia. Este artigo apresenta o KGERA, uma nova abordagem de recomendação que procura pensar mais como um amigo perspicaz do que como um motor estatístico, combinando muitos tipos de evidência sobre itens com um processo explícito e leve de raciocínio sobre uma rede de conhecimento sobre filmes.

De padrões simples a conexões mais ricas

A maioria dos recomendadores existentes apoia-se fortemente em filtragem colaborativa: se pessoas que gostaram dos mesmos filmes que você também gostaram de outro título, esse título é sugerido a você. Isso funciona bem quando há muitos dados, mas tem dificuldades com itens novos ou de nicho e com usuários que têm poucas interações. Outros métodos adicionam informações de conteúdo, como gêneros ou descrições textuais, ou usam redes neurais de grafos que tratam usuários e itens como pontos em uma grande teia de interações. Ainda assim, esses sistemas frequentemente reduzem tudo a representações numéricas densas, o que dificulta entender por que uma sugestão apareceu e torna mais lento adaptar-se quando o catálogo ou seus gostos mudam.

Construindo um mapa do conhecimento cinematográfico

O KGERA começa construindo um knowledge graph: um mapa estruturado que liga usuários, filmes, gêneros e entidades semelhantes a criadores. Nesse grafo, as relações descrevem quem assistiu o quê, a quais gêneros um filme pertence, a qual pseudo-diretor ele está ligado e quais filmes são similares, complementares ou intercambiáveis. Filmes similares tendem a compartilhar gênero e criador; filmes complementares vêm de gêneros diferentes, mas são próximos em tema; filmes substituíveis vivem no mesmo gênero e são moderadamente parecidos, portanto podem servir como alternativas sem serem quase duplicatas. Esse grafo captura não apenas coocorrência, mas as muitas maneiras pelas quais filmes podem estar relacionados.

Uma camada de raciocínio que atua na hora da decisão

Sobre esse mapa, os autores projetam um módulo de raciocínio que é ativado quando o sistema precisa fazer recomendações, em vez de durante longas fases de treinamento. Para um dado usuário, ele primeiro constrói um perfil que resume os filmes que o usuário já gostou. Em seguida, pontua cada filme candidato por meio de várias lentes transparentes: similaridade geral com o perfil do usuário, sobreposição nos gêneros favoritos, consistência com preferências por determinados criadores, opções "estendidas" que cruzam gêneros mas são tematicamente próximas, substitutos dentro do gênero que equilibram familiaridade e novidade, e uma penalidade para itens que são quase cópias do que o usuário já viu. Esses componentes são combinados em uma única pontuação usando pesos matemáticos simples, tornando a lógica compreensível e fácil de ajustar conforme o comportamento ou o catálogo evoluem.

Misturando várias vozes em uma escolha final

Em vez de confiar em um único modelo, o KGERA escuta nove estratégias de recomendação diferentes e então permite que um pequeno meta-modelo decida quanto confiar em cada uma. Além do módulo de raciocínio, inclui métodos clássicos de vizinhança, recomendadores baseados em grafos, modelos auto-supervisionados em grafos, um filtro colaborativo neural, um sinal de popularidade, um modelo de embedding de knowledge graph e um modelo de texto baseado em conteúdo. Todas as pontuações são normalizadas e alimentadas em uma regressão logística simples que aprende um peso para cada ingrediente. Curiosamente, vizinhanças item-a-item e conteúdo textual emergem como os contribuintes positivos mais fortes, enquanto popularidade e alguns sinais de grafo recebem pesos negativos e atuam como dessensibilizadores deliberados, contrapondo a tendência de superpromover sucessos em detrimento de títulos menos conhecidos mas relevantes.

Ganho robusto entre usuários, itens e gêneros

Os autores testam o KGERA no conhecido conjunto de dados MovieLens-1M e o comparam com linhas de base modernas fortes, incluindo métodos recentes auto-supervisionados em grafos. Em múltiplas métricas de ranqueamento e diferentes comprimentos de lista, o KGERA consistentemente se sai melhor, muitas vezes com mais de 50% de melhoria relativa em quão bem posiciona o filme realmente relevante no topo da lista. Os ganhos são especialmente grandes para usuários com poucas interações passadas e para filmes de popularidade média, duas áreas onde sistemas atuais frequentemente falham. Estudos de ablação detalhados, validação cruzada e checagens de sensibilidade mostram que as melhorias são estáveis e não vinculadas a uma escolha particular de hiperparâmetros ou divisão de dados, embora alguns gêneros, como drama, continuem desafiadores.

O que isso significa para recomendações do dia a dia

Para não especialistas, a mensagem central é que as recomendações podem ser feitas tanto mais inteligentes quanto mais compreensíveis ao raciocinar sobre um mapa explícito de relações entre itens, em vez de ocultar tudo dentro de um grande modelo caixa-preta. O KGERA mostra que uma camada de raciocínio rápida, executada no tempo de teste e combinada com uma mistura cuidadosamente calibrada de técnicas antigas e novas, pode oferecer sugestões visivelmente melhores sem recorrer a modelos de linguagem lentos e caros. Na prática, isso pode se traduzir em interfaces de streaming e comércio que exibem opções mais relevantes, diversas e serendipitosas, particularmente para usuários novos e itens menos famosos, mantendo ainda eficiência suficiente para operar em tempo real.

Citação: Muniraja, P., Satapathy, S.M. KGERA: knowledge graph enhanced reasoning architecture for recommendation systems. Sci Rep 16, 13994 (2026). https://doi.org/10.1038/s41598-026-42865-6

Palavras-chave: sistemas de recomendação, knowledge graphs, raciocínio em grafos, aprendizado em ensemble, recomendação de filmes