DeepSentRec: um sistema de recomendação de produtos sensível ao sentimento baseado em deep learning

Por que Sugestões Mais Inteligentes Importam

Cada vez que você compra online, maratona uma série ou navega por avaliações de restaurantes, algoritmos invisíveis decidem o que você verá em seguida. Ainda assim, esses sistemas frequentemente deixam de captar algo crucial: como você realmente se sente sobre aquilo que compra ou assiste. Este artigo apresenta o DeepSentRec, um novo framework de recomendação que procura ler não apenas o que você clicou, mas o tom das suas avaliações escritas — seu entusiasmo, decepção ou indiferença — e então usa esse sinal emocional para ajustar futuras sugestões de maneira mais humana.

Das Avaliações por Estrela aos Sentimentos Reais

A maioria dos motores de recomendação existentes se apoia muito em números: avaliações por estrelas, cliques anteriores e histórico de compras. Eles tratam avaliações de usuários principalmente como texto longo e confuso que é difícil de aproveitar em grande escala. Como resultado, deixam passar pistas ricas, como se uma nota de três estrelas foi dada com aceitação relutante ou com um leve elogio. Pesquisas anteriores mostraram que incorporar sentimento — o sentimento positivo, neutro ou negativo expresso no texto — pode melhorar a personalização, mas muitos sistemas ainda adicionam isso como um recurso superficial em vez de torná-lo central na formação e ordenação das recomendações.

Três Cérebros Trabalhando Juntos

DeepSentRec foi projetado como um pipeline de três partes que entrelaça emoções, comportamento e aprendizado a partir do feedback em um único ciclo. Primeiro, um módulo de sentimento chamado SentimentBERT lê o texto das avaliações e produz uma impressão emocional fina para cada avaliação, não apenas um simples “gostei” ou “não gostei”. Segundo, um módulo de recomendação híbrido combina duas visões do mundo: pessoas que se comportaram como você (filtragem colaborativa) e produtos cujas avaliações carregam significados e sentimentos semelhantes (similaridade semântica). Terceiro, um módulo de learning-to-rank baseado em aprendizado por reforço reordena continuamente a lista de produtos sugeridos dependendo de como os usuários respondem — se clicam, compram ou ignoram os itens.

Aprendendo com Muitas Vozes

Para testar se essa arquitetura realmente ajuda as pessoas a encontrar itens mais relevantes, os autores treinaram e avaliaram o DeepSentRec em quatro grandes conjuntos de dados do mundo real: avaliações de produtos da Amazon, avaliações de estabelecimentos do Yelp, avaliações de filmes do IMDB e uma coleção de feedback de e-commerce do Kaggle. Antes de qualquer aprendizado, o texto é cuidadosamente limpo e segmentado em partes adequadas para modelos de linguagem modernos. O SentimentBERT é inicialmente treinado em avaliações de filmes bem rotuladas e então afinado (fine-tuned) na Amazon e no Yelp, para poder se adaptar a diferentes estilos de escrita e domínios. O sistema também constrói representações compactas de como cada usuário interage com cada produto e depois combina essas representações com embeddings de texto sensíveis ao sentimento para criar um quadro mais rico de preferências.

Transformando Feedback em Melhores Ranqueamentos

A parte mais distintiva do DeepSentRec é como ele trata o ranqueamento como uma conversa em andamento, em vez de um cálculo estático. Usando uma técnica de aprendizado por reforço chamada Proximal Policy Optimization, o sistema trata cada lista ranqueada como uma decisão e cada reação do usuário como uma recompensa ou penalidade. Cliques, compras e pulos são todos incorporados a uma pontuação que incentiva o modelo a destacar itens que promovam engajamento de longo prazo, não apenas cliques rápidos. Com o tempo, a política de ranqueamento melhora testando diferentes ordenações e mantendo aquelas que levam a interações mais significativas, como compras ou uso repetido.

O Que os Resultados Mostram para Usuários Reais

Nos conjuntos de dados de e-commerce da Amazon e do Kaggle, o DeepSentRec supera de forma consistente métodos tradicionais baseados apenas em comportamento passado ou em correspondência simples de texto. Ele entrega maior precisão (uma parcela maior das principais sugestões é realmente relevante), melhor recall (encontra mais dos itens que os usuários valorizam) e medidas mais fortes de qualidade de ranqueamento. Mais importante para plataformas reais, aumenta as taxas de clique e uma pontuação geral de engajamento que combina múltiplas formas de reação dos usuários. Estudos de ablação — removendo componentes de forma sistemática — mostram que cada parte importa: a modelagem de sentimento melhora a acurácia, o modelo híbrido texto-mais-interação amplia a cobertura e o agente de reforço aumenta ainda mais a frequência com que os usuários agem sobre as recomendações.

O Que Isso Significa para Recomendações do Dia a Dia

Em termos simples, o estudo sugere que motores de recomendação ficam visivelmente melhores quando ouvem o que você diz nas avaliações tão cuidadosamente quanto observam o que você clica, e quando continuam aprendendo com seu comportamento mais recente em vez de depender apenas de padrões antigos. DeepSentRec demonstra que combinar tom emocional, contexto do texto e feedback contínuo pode produzir recomendações que parecem mais oportunas, relevantes e pessoais. Embora o trabalho atual se concentre em avaliações em inglês e em experimentos offline, ele aponta para uma nova geração de sistemas que se adaptam em quase tempo real e podem ser estendidos a múltiplos idiomas e domínios, potencialmente tornando experiências digitais — de compras a aprendizado — mais alinhadas com como as pessoas realmente sentem e agem.

Citação: Kollu, S.R.P., Garapati, Y. DeepSentRec: a deep learning-based sentiment-aware product recommendation system. Sci Rep 16, 10580 (2026). https://doi.org/10.1038/s41598-026-45953-9

Palavras-chave: sistemas de recomendação, análise de sentimento, personalização em e-commerce, deep learning, aprendizado por reforço