Sistemas de Recomendação: Aplicações e Exemplos

Examinámos os principais tipos de sistemas de recomendação, conceitos-chave e aplicações do mundo real, e comparámos o LightFM, o Cornac BPR e o TensorFlow Recommenders utilizando AUC, Precision@10 e Recall@10.

Melhores bibliotecas Python para sistemas de recomendação

Estas bibliotecas implementam algoritmos de machine learning para processar dados de treino e gerar recomendações personalizadas utilizando técnicas de filtragem colaborativa ou baseada em conteúdo. Adicionalmente, estas bibliotecas implementam modelos de machine learning para analisar dados e descobrir padrões, permitindo que o motor de recomendação sugira itens relevantes com base no comportamento e preferências do utilizador.

Resultados da comparação: LightFM vs Cornac BPR vs TensorFlow

O TensorFlow Recommenders teve o melhor desempenho. A sua arquitetura de deep learning permite-lhe capturar relações mais complexas entre utilizador e item. O LightFM, que tem bom desempenho quando os metadados estão disponíveis, não teve um desempenho tão forte aqui porque utilizámos apenas dados comportamentais; ainda assim superou o BPR. O Cornac BPR teve a qualidade de recomendação mais baixa, tornando-o mais adequado para experiências rápidas ou aplicações de pequena escala.

Utilizámos a nossa metodologia de benchmarking de motores de recomendação para testar o LightFM, o Cornac BPR e o TensorFlow.

O que é um sistema de recomendação?

Um sistema de recomendação (ou sistema recomendador) é uma ferramenta concebida para fornecer sugestões personalizadas aos utilizadores com base nas suas preferências, comportamento e interações com uma plataforma. Estes sistemas analisam dados como histórico de compras, histórico de navegação, dados demográficos do utilizador e informações contextuais para fornecer conteúdo relevante. Abaixo estão os tipos mais comuns de sistemas de recomendação:

Técnicas de filtragem colaborativa:

• Baseiam-se em padrões de interações entre utilizadores e itens.
• Incluem filtragem colaborativa baseada no utilizador (encontrar utilizadores semelhantes) e filtragem colaborativa baseada no item (encontrar itens semelhantes).
• Mais adequadas para eCommerce e serviços de streaming.

Técnicas de filtragem baseada em conteúdo:

• Focam-se nos atributos dos itens (características do item) e nas interações passadas de um utilizador (preferências do utilizador).
• Ideais para identificar interesses específicos do utilizador-alvo.

Sistemas de recomendação híbridos:

• Combinam métodos de filtragem colaborativa e baseada em conteúdo.
• Tiram partido de modelos de machine learning, como redes neuronais profundas e redes neuronais recorrentes, para previsões melhoradas.

Conceitos-chave dos sistemas de recomendação

Básicos da fatorização matricial

A fatorização matricial é uma técnica central na filtragem colaborativa. Decompõe uma grande matriz de interação utilizador-item (por exemplo, classificações ou cliques) em matrizes mais pequenas que capturam padrões ou relações ocultas, que são chamadas de características latentes.

Esta abordagem ajuda a reduzir a complexidade dos dados e a descobrir insights significativos, como a preferência de um utilizador por géneros específicos ou o apelo de um item para um grupo particular.

Similaridade baseada em embeddings

Algumas frameworks de recomendação calculam a similaridade de itens usando embeddings vetoriais em vez de tags partilhadas. As abordagens baseadas em embeddings capturam características matizadas dos itens num vetor numérico, permitindo uma correspondência de similaridade mais precisa sem manutenção manual de tags.

Por exemplo, o recomendador de código aberto Gorse suporta similaridade de embeddings calculando a distância euclidiana entre vetores de itens, incluindo embeddings de fornecedores como OpenAI e Ollama.¹

Compreender dados implícitos

Dados implícitos referem-se a indicadores indiretos das preferências do utilizador, obtidos a partir de comportamentos em vez de feedback explícito, como classificações por estrelas. Alguns exemplos de dados implícitos incluem taxas de cliques, tempo gasto numa página, histórico de compras e padrões de pesquisa.

Este tipo de dados é mais fácil de recolher em escala e muitas vezes reflete o envolvimento no mundo real. No entanto, pode ser ruidoso ou ambíguo, como interpretar se uma longa visita a uma página indica interesse ou distração.

Deep learning em recomendações

O deep learning apoia os sistemas de recomendação ao analisar dados complexos e multidimensionais usando redes neuronais. É particularmente eficaz para recomendações baseadas em sessões, compreensão de conteúdo e sugestões sensíveis ao contexto que consideram fatores como tempo, localização ou estado de espírito do utilizador.

Estes métodos podem processar dados grandes e não estruturados, como texto, imagens e vídeos, aprendendo relações intrincadas entre as características.

Abordagens de recomendação híbridas

Os sistemas de recomendação híbridos combinam diferentes técnicas, como filtragem colaborativa, filtragem baseada em conteúdo e abordagens baseadas em conhecimento. Esta integração melhora a precisão e aborda desafios como o problema de arranque a frio (novos utilizadores ou itens) e dados esparsos.

Áreas aplicáveis para sistemas de recomendação

Quase todas as empresas podem beneficiar de um sistema de recomendação. Existem dois aspetos importantes que determinam o nível de benefício que uma empresa pode obter da tecnologia.

• A amplitude dos dados: Uma empresa que serve apenas um punhado de clientes que se comportam de maneiras diferentes não receberá muitos benefícios de um sistema de recomendação automatizado. Os humanos ainda são muito melhores do que as máquinas na área de aprender com poucos exemplos. Nesses casos, os seus funcionários usarão a sua lógica e compreensão qualitativa e quantitativa dos clientes para fazer recomendações precisas.
• A profundidade dos dados: Ter um único ponto de dados sobre cada cliente também não é útil para os sistemas de recomendação. Dados profundos sobre as atividades online dos clientes e, se possível, compras offline podem orientar recomendações precisas.

Aqui estão algumas das indústrias mais comuns onde os sistemas de recomendação são aplicados:

eCommerce

As plataformas de eCommerce utilizam sistemas de recomendação para melhorar a experiência de compra, sugerindo produtos relevantes aos utilizadores.

Estes sistemas analisam compras passadas, histórico de navegação e preferências para recomendar itens como “Clientes que compraram isto também compraram” ou “Frequentemente comprados juntos”.

Este processo melhora as vendas e aumenta o valor médio da encomenda, e também aumenta a satisfação do cliente ao poupar tempo e esforço aos utilizadores.

Exemplo da vida real: Amazon

A Amazon.com utiliza recomendações de filtragem colaborativa item-a-item na maioria das páginas do seu website e em campanhas de e-mail. De acordo com a McKinsey, 35% das compras da Amazon devem-se aos sistemas de recomendação.²

Entretenimento

Na indústria do entretenimento, os sistemas de recomendação ajudam os utilizadores a descobrir filmes, música, programas de TV ou livros adaptados aos seus gostos. Ao analisar hábitos de visualização ou audição, estes sistemas podem fornecer conteúdo personalizado para aumentar o envolvimento do utilizador e o tempo gasto na plataforma.

Exemplo da vida real: Netflix

A Netflix utiliza uma combinação de filtragem colaborativa e filtragem baseada em conteúdo para sugerir programas e filmes, levando a que 80% do conteúdo visualizado seja impulsionado por recomendações.

O Prémio Netflix foi uma competição lançada pela Netflix em outubro de 2006 para melhorar o seu sistema de recomendação de filmes. O desafio ofereceu um prémio de 1 milhão de dólares à equipa ou indivíduo que conseguisse alcançar pelo menos uma melhoria de 10% na precisão das previsões em comparação com o algoritmo de recomendação existente da Netflix.³

Exemplo da vida real: Spotify

Todas as semanas, o Spotify gera uma nova playlist personalizada para cada assinante chamada “Discover Weekly”, que é uma lista personalizada de 30 músicas baseada nos gostos musicais únicos dos utilizadores. A aquisição da Echo Nest, uma startup de inteligência musical e análise de dados, permitiu-lhes criar um motor de recomendação musical que utiliza três tipos diferentes de modelos de recomendação:⁴

• Filtragem colaborativa: Filtrar músicas comparando os dados históricos de audição dos utilizadores com o histórico de audição de outros utilizadores.
• Processamento de linguagem natural: Extrair da internet informações sobre artistas e músicas específicas. A cada artista ou música é então atribuída uma lista dinâmica de termos principais que muda diariamente e é ponderada por relevância. O motor determina então se duas peças musicais ou artistas são semelhantes.
• Análise de ficheiro de áudio: O algoritmo analisa as características individuais de cada ficheiro de áudio, incluindo tempo, volume, tom e compasso, e faz recomendações em conformidade.

Redes sociais

As plataformas de redes sociais utilizam sistemas de recomendação para sugerir amigos, grupos, páginas, publicações ou anúncios com base nas interações, preferências e conexões dos utilizadores. Estas sugestões aumentam a interação do utilizador, incentivam a descoberta de conteúdo e geram receita publicitária.

Meta

A Meta emprega sistemas de IA para fornecer recomendações de conteúdo personalizadas no Facebook e no Instagram, mesmo de fontes que os utilizadores não seguem. Esta abordagem melhora a experiência do utilizador ao introduzir conteúdo diversificado e apoia os criadores a alcançar audiências mais amplas. O processo de recomendação envolve:

• Compreensão de conteúdo: Utilizar modelos de IA para analisar e interpretar vários tipos de conteúdo, incluindo imagens, texto, áudio e vídeo, para compreender os seus significados semânticos.
• Compreensão de preferências, recuperação e classificação: Desenvolver sistemas que filtram facilmente grandes quantidades de conteúdo para identificar e classificar os mais relevantes para os interesses individuais do utilizador.

Esta estratégia orientada por IA permite que a Meta apresente aos utilizadores conteúdo envolvente além da sua rede imediata para promover uma exploração mais profunda de interesses e aumentar o envolvimento geral na plataforma.⁵

X (antigo Twitter)

O sistema de recomendação do X eliminou as características criadas manualmente em favor de uma abordagem aprendida de ponta a ponta. Utiliza um modelo de duas torres para recuperar publicações relevantes, codificando o histórico do utilizador e as publicações candidatas separadamente, e depois classifica cada item usando um transformador baseado no Grok que prevê probabilidades de envolvimento diretamente do comportamento do utilizador.

A implementação completa está disponível publicamente no repositório do feed X For-You.⁶

Saúde

Os sistemas de recomendação na área da saúde sugerem opções de tratamento, recursos de saúde ou medidas preventivas adaptadas aos dados do paciente, como histórico médico e estilo de vida. A incorporação de IA na saúde melhora a qualidade dos cuidados e reduz os custos de saúde. Consulte IA generativa na saúde para saber mais.

Exemplo da vida real: Ada Healthcare

A Ada Health é uma plataforma alimentada por IA projetada para ajudar os utilizadores a gerir a sua saúde, fornecendo orientação médica personalizada. Os utilizadores podem inserir os seus sintomas para receber avaliações que sugerem possíveis condições e recomendam os próximos passos apropriados. O sistema de IA da plataforma é continuamente otimizado por uma equipa de especialistas médicos para garantir precisão e fiabilidade.

Além de servir utilizadores individuais, a Ada oferece soluções empresariais destinadas a melhorar os resultados de saúde. Estas soluções auxiliam os parceiros a informar decisões de saúde, melhorar os processos de triagem e reduzir custos evitáveis.⁷

Retalho

No retalho, os sistemas de recomendação são usados para experiências de compra personalizadas, recomendações na loja e sugestões de inventário. Estes sistemas ajudam os retalhistas a otimizar a gestão de stock, melhorar as vendas e aumentar a satisfação do cliente.

Exemplo da vida real: Rappi com Amazon Personalize

A Rappi, um serviço de entrega a pedido na América Latina, colaborou com a Amazon Personalize para aumentar o envolvimento do cliente e impulsionar as vendas através da implementação de um sistema de recomendação personalizado na sua app.

Ao tirar partido do Amazon Personalize, a Rappi desenvolveu uma funcionalidade chamada "Just For You" (JFY), que analisa o comportamento e as preferências do utilizador para fornecer recomendações de produtos personalizadas exibidas numa secção dedicada da app.

Esta estratégia de personalização levou a um aumento de 102% nas taxas de cliques e a um aumento de 147% na receita proveniente de recomendações personalizadas. Adicionalmente, o envolvimento do cliente melhorou e a ocorrência de produtos com baixo desempenho diminuiu.⁸

Finanças e banca

As instituições financeiras utilizam sistemas de recomendação para sugerir opções de investimento, cartões de crédito ou produtos de seguros com base no comportamento e objetivos financeiros do utilizador. Consulte os casos de uso de Gen IA no setor bancário para saber mais sobre como a IA generativa pode ser usada nas finanças e na banca.

Jogos

As plataformas de jogos utilizam sistemas de recomendação para sugerir compras dentro do jogo, novos jogos ou conectar jogadores com base nas suas preferências, hábitos de jogo e interações sociais. Isto melhora a experiência de jogo e gera receita.

Exemplo da vida real: Glance com Google Cloud

A Glance, uma subsidiária da InMobi, fez uma parceria com a Google Cloud para construir um sistema de recomendação de jogos personalizado para a sua plataforma de jogos móveis, Nostra, que envolve mais de 220 milhões de utilizadores através de ecrãs de bloqueio.

Ao analisar dados de utilizadores e jogos com dados de interação, identificaram padrões como horários ideais de envolvimento e preferências de jogos. Esta colaboração melhorou significativamente o envolvimento do utilizador.⁹

Além disso, os sistemas de recomendação abrem oportunidades de receita significativas ao impulsionar upselling, cross-selling e taxas de envolvimento mais elevadas. Ao oferecer sugestões personalizadas, estes sistemas melhoram a retenção de clientes, promovendo a fidelização a longo prazo e a interação sustentada do utilizador.

Sistemas de recomendação baseados em LLM

Os sistemas de recomendação tradicionais analisam dados estruturados, como classificações e cliques. Os sistemas baseados em LLM vão mais longe, compreendendo consultas em linguagem natural, interpretando preferências matizadas e explicando as suas sugestões.

Esta abordagem traz várias vantagens sobre os métodos tradicionais:

• Compreensão semântica: Interpreta consultas complexas em linguagem natural para além da correspondência de palavras-chave, como "algo edificante mas não muito piegas"
• Tratamento de arranque a frio: Novos utilizadores podem descrever preferências em linguagem natural em vez de exigir histórico de interação
• Resultados explicáveis: Gera explicações em linguagem natural para as recomendações, embora estas descrevam o raciocínio do modelo em vez dos seus cálculos internos
• Raciocínio entre domínios: Identifica preferências subjacentes em diferentes categorias e tipos de conteúdo

Exemplos do Mundo Real:

• Netflix desenvolveu um modelo fundacional para recomendações personalizadas, tratando o histórico de interação do utilizador como tokens e aplicando arquiteturas baseadas em transformadores
• Spotify IA DJ combina o histórico de audição com IA generativa para criar comentários personalizados e seleções musicais
• Amazon Rufus é um assistente de compras alimentado por IA generativa que permite a descoberta de produtos em linguagem natural
• Serviço de Recomendação de Comércio Agentivo da Criteo conecta assistentes de compras de IA aos inventários dos comerciantes, encaminhando consultas através de uma API do Protocolo de Contexto de Modelo (MCP), aplicando sinais de compras em tempo real para classificar produtos com base no comportamento de compra real.¹⁰
• Wizard é um agente de compras de IA que pesquisa em retalhistas, análises e fontes de conteúdo para devolver uma lista dos cinco melhores produtos curada. Ao contrário dos recomendadores específicos de retalhistas, agrega resultados em toda a web com base nas necessidades descritas pelo utilizador.¹¹
• LinkedIn implementou recomendadores generativos e modelos de sequência em grande escala na classificação do seu feed. Em vez de usar modelos separados para cada componente do feed, o sistema avalia a atividade de cada utilizador como parte de uma jornada contínua, permitindo que o comportamento em diferentes áreas da plataforma influencie as recomendações por todo o lado.¹²

Configurar um sistema de recomendação

Embora a maioria das empresas beneficiasse da adoção de uma solução existente, as empresas em categorias de nicho ou em escala muito elevada poderiam experimentar construir o seu próprio motor de recomendação.

1. Usar uma solução pronta a usar

Os sistemas de recomendação são um dos casos de uso de IA mais antigos e maduros.

As vantagens desta abordagem incluem implementação rápida e resultados altamente precisos para a maioria dos casos:

• Incluir um snippet de código do fornecedor pode ser suficiente para começar.
• As soluções tendem a ser precisas, uma vez que os fornecedores usam dados de milhares de transações dos seus clientes de forma anónima para melhorar os seus modelos.

Para escolher o sistema certo, pode usar dados históricos ou, ainda melhor, dados em tempo real para testar rapidamente a eficácia de diferentes sistemas.

2. Construir a sua própria solução

Isto pode fazer sentido se:

• estiver num domínio de nicho onde os motores de recomendação não foram usados antes ou
• possuir um dos maiores marketplaces do mundo, onde recomendações ligeiramente melhores podem fazer uma diferença importante nos seus resultados de negócio.

Os sistemas de recomendação no mercado hoje usam lógicas como: clientes com históricos de compra e navegação semelhantes comprarão produtos semelhantes no futuro. Para fazer tal sistema funcionar, precisa ou de um grande número de transações históricas ou de dados detalhados sobre o comportamento do seu utilizador noutros websites. Se precisar de tais dados, pode procurá-los em marketplaces de dados.

Mais dados e melhores algoritmos melhoram as recomendações. Precisa de fazer uso de todos os dados relevantes na sua empresa e pode expandir os dados do seu cliente com dados de terceiros. Se um cliente habitual tem andado à procura de ténis vermelhos noutros websites, porque não lhe mostraria um par excelente quando ele visita o seu website?

3. Trabalhar com um consultor para construir as suas próprias soluções

Um motor de recomendação ligeiramente melhor pode aumentar as vendas de uma empresa em alguns pontos percentuais, o que pode fazer uma diferença dramática na rentabilidade de uma empresa com margens de lucro baixas. Portanto, pode fazer sentido investir na construção de melhores motores de recomendação se a empresa não estiver a obter resultados satisfatórios dos fornecedores de soluções existentes no mercado.

4. Realizar uma competição de ciência de dados para construir a sua própria solução

Uma abordagem possível é usar a sabedoria da multidão para construir tais sistemas. As empresas podem usar dados históricos encriptados, lançar competições de ciência de dados ou trabalhar com consultores e obter modelos que fornecem recomendações altamente eficazes.

Abordar a deriva de dados

Embeddings e índices de itens em cache podem tornar-se obsoletos ao longo do tempo, causando recomendações que já não refletem os interesses atuais do utilizador. Ferramentas como o Drifter monitorizam pipelines de recomendação ao vivo em tempo real para detetar problemas de qualidade de dados e deriva antes que afetem a qualidade da recomendação.¹³

Como escolher um sistema de recomendação?

Escolher o sistema de recomendação certo depende dos seus objetivos de negócio, dos dados disponíveis e dos recursos técnicos à sua disposição. Aqui estão algumas considerações-chave:

1. Avaliação do modelo nos seus Dados
   • É essencial testar modelos no seu próprio dataset para ver como se comportam no seu contexto específico. As referências padrão podem não refletir os seus utilizadores, itens ou objetivos de negócio.
2. Tipo de dados disponíveis
   • Dados explícitos (classificações, reviews, gostos) funcionam bem com filtragem colaborativa.
   • Dados implícitos (cliques, tempo gasto, compras) favorecem abordagens híbridas ou de deep learning.
3. Objetivos de negócio
   • Se o seu objetivo é personalização em escala, deep learning ou sistemas híbridos são as melhores opções.
   • Para experiências rápidas, modelos mais simples, como a fatorização matricial, podem ser suficientes.
4. Requisitos de escalabilidade
   • Plataformas de grande escala (por exemplo, eCommerce, streaming) geralmente requerem soluções baseadas em deep learning ou alojadas na cloud que possam lidar com milhões de utilizadores e itens.
5. Conhecimento de domínio e recursos
   • Se a sua equipa não tem experiência em machine learning, utilizar soluções de fornecedores (por ex.., Amazon Personalize, Google Recommendations IA) pode acelerar a implementação.
   • Para domínios altamente especializados, pode ser necessário construir uma solução interna.

Dica: Comece por prototipar com bibliotecas prontas a usar (LightFM, TensorFlow Recommenders) e avalie o desempenho com os seus dados reais antes de escalar.

Veja mais dos nossos benchmarks e insights baseados em dados na Pesquisa Google.

Adicionar como fonte preferencial

Custo de implementação de sistemas de recomendação

Implementar um sistema de recomendação envolve custos diretos e indiretos:

1. Tempo de desenvolvimento: Construir modelos personalizados requer cientistas de dados, engenheiros e equipas de infraestrutura. O desenvolvimento pode variar de algumas semanas (para protótipos) a vários meses (para sistemas de produção).
2. Custos de infraestrutura:
   • On-premise: Requer servidores GPU, bases de dados e manutenção contínua.
   • Baseado na cloud: Os custos escalam com o tamanho dos dados e o uso de API (AWS, GCP, Azure).
3. Taxas de fornecedor: Soluções baseadas em SaaS podem cobrar com base no número de chamadas de API, no número de utilizadores ou na quantidade de dados processados.
4. Custos contínuos:
   • Retreino, monitorização e atualizações do modelo.
   • Custos potenciais de integração de fontes de dados externas para recomendações melhoradas.

Regra de Ouro: Pequenas empresas podem começar com ferramentas SaaS (<$10k/ano), enquanto as empresas que constroem sistemas internos investem frequentemente milhões em infraestrutura e talento.

Implicações éticas dos sistemas de recomendação

Embora os motores de recomendação forneçam valor, levantam importantes considerações éticas e sociais:

• Vieses e justiça: Os algoritmos podem reforçar vieses existentes (por exemplo, recomendar apenas conteúdo popular, ignorando a diversidade).
• Preocupações com a privacidade:
  • Recolher e analisar dados do utilizador levanta preocupações sobre consentimento e proteção de dados.
  • A conformidade com o RGPD, CCPA e outras leis de privacidade de dados é crucial.
• Uso responsável dos dados:
  • Políticas transparentes devem explicar como os dados do utilizador são recolhidos, processados e armazenados.
  • Técnicas de privacidade diferencial e anonimização podem mitigar riscos.

Metodologia de benchmarking de motores de recomendação

Neste estudo, focámo-nos em construir e avaliar sistemas de recomendação com base em dados de feedback implícito, especificamente interações do utilizador com produtos. O dataset usado na nossa análise contém três elementos-chave: visitorid, itemid e tipos de interação, como visualização, adicionar ao carrinho e transação. Uma vez que os utilizadores não classificaram explicitamente os itens, mas interagiram através destes comportamentos, considerámos estes dados como feedback implícito.

Testámos três modelos de recomendação diferentes para avaliar a sua eficácia no tratamento de dados implícitos:

1. LightFM: Um modelo híbrido que usa tanto métodos de filtragem colaborativa como baseados em conteúdo. Utilizámos a função de perda WARP (Weighted Approximate-Rank Pairwise) para treinar o modelo. O foco estava em prever a probabilidade de um utilizador visualizar um produto, analisando as suas interações históricas com os itens.
2. Cornac BPR (Bayesian Personalized Ranking): Um modelo baseado em filtragem colaborativa projetado para classificar itens com base nas interações do utilizador. Utiliza feedback implícito para aprender as preferências dos utilizadores, otimizando a classificação de itens relevantes sobre os irrelevantes.
3. TensorFlow Recommenders: Uma framework baseada em deep learning que utiliza embeddings para representar tanto utilizadores como itens, capturando relações complexas entre eles. O modelo é treinado em interações implícitas, com uma tarefa de recuperação para prever os itens mais relevantes para cada utilizador.

Os modelos foram treinados para prever a probabilidade de um utilizador interagir com um produto, focando-se especificamente no evento de visualização como o comportamento alvo. O nosso objetivo era estimar com que produtos os utilizadores têm maior probabilidade de se envolver, com base no seu comportamento passado. Após o treino, avaliámos os modelos usando dados de teste para garantir que podiam generalizar bem para interações não vistas.

Avaliámos o desempenho dos modelos com base em três métricas comummente usadas em sistemas de recomendação:

• AUC (Área Abaixo da Curva): Uma métrica que avalia quão bem o modelo classifica itens relevantes acima dos irrelevantes. Uma pontuação AUC mais próxima de 1 indica melhor desempenho de classificação.
• Precision@10: Mede quantos dos 10 principais itens recomendados são realmente relevantes (ou seja, com os quais o utilizador interagiu). Valores mais elevados indicam melhor precisão da recomendação.
• Recall@10: Mede quantos itens relevantes (das interações do utilizador) aparecem entre as 10 principais recomendações. Esta métrica é crucial para compreender quão bem o modelo captura as preferências do utilizador.

Ao comparar estas métricas entre os três modelos, identificámos o modelo de melhor desempenho em termos de classificação de itens relevantes e de recuperação precisa desses itens nas principais recomendações.

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{Sistemas de Recomendação: Aplicações e Exemplos}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/recommendation-system}},
  note   = {AIMultiple. Acessado em 19 Maio 2026}
}

Links de referência

1.

Item-to-Item Recommenders | Gorse

2.

How retailers can keep up with consumers | McKinsey

McKinsey & Company

3.

Netflix Research

4.

Discover Weekly: How Spotify is Changing the Way We Consume Music - Technology and Operations Management

5.

The AI behind unconnected content recommendations on Facebook and Instagram

6.

GitHub - xai-org/x-algorithm: Algorithm powering the For You feed on X · GitHub

7.

Health. Powered by Ada.

8.

Customer Success Stories: Case Studies, Videos, Podcasts, Innovator stories

9.

Nostra from Glance, Gaming Recommendation at Scale with Google Cloud AI | Google Cloud Blog

Google Cloud

10.

Criteo Introduces Agentic Commerce Recommendation Service to Power AI Shopping Assistants | Criteo

Criteo

11.

Wizard Press Release: Marc Lore and Melissa Bridgeford’s Wizard Emerges from Stealth

12.

LinkedIn uses AI to improve feed relevance | Social Media Today

13.

Drifter: Efficient Online Feature Monitoring for Improved Data Integrity in Large-Scale Recommendation Systems

Cem Dilmegani

Analista Principal

Siga-nos

Cem é o analista principal da AIMultiple desde 2017. A AIMultiple fornece informações para centenas de milhares de empresas (segundo o SimilarWeb), incluindo 55% das empresas da Fortune 500, todos os meses. O trabalho de Cem foi citado por importantes publicações globais, como Business Insider, Forbes e Washington Post, além de empresas globais como Deloitte e HPE, ONGs como o Fórum Econômico Mundial e organizações supranacionais como a Comissão Europeia. Você pode ver mais empresas e recursos renomados que mencionaram a AIMultiple. Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor na área. Ele assessorou empresas em suas decisões tecnológicas na McKinsey & Company e na Altman Solon por mais de uma década. Também publicou um relatório da McKinsey sobre digitalização. Liderou a estratégia de tecnologia e a área de compras de uma empresa de telecomunicações, reportando-se diretamente ao CEO. Além disso, liderou o crescimento comercial da empresa de tecnologia avançada Hypatos, que atingiu uma receita recorrente anual de sete dígitos e uma avaliação de nove dígitos, partindo de zero, em apenas dois anos. O trabalho de Cem no Hypatos foi noticiado por importantes publicações de tecnologia, como TechCrunch e Business Insider. Cem participa regularmente como palestrante em conferências internacionais de tecnologia. Ele se formou em engenharia da computação pela Universidade Bogazici e possui um MBA pela Columbia Business School.

Ver perfil completo

Pesquisado por

Sıla Ermut

Analista do Setor

Siga-nos

Sıla Ermut é analista do setor na AIMultiple com foco em marketing por email e vídeos de vendas. Anteriormente, trabalhou como recrutadora em empresas de gerenciamento de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário