Impression-Aware Recommender Systems

Este artigo apresenta uma revisão sistemática da literatura sobre sistemas de recomendação que utilizam impressões, propondo um novo paradigma unificado chamado "sistemas de recomendação conscientes de impressões" que delimita o campo, classifica modelos, conjuntos de dados e metodologias de avaliação, e identifica direções futuras.

O essencial

Imagine que você está em uma loja de roupas muito grande. O vendedor (o sistema de recomendação) pega uma cesta de roupas e coloca na sua frente para você ver.

Aqui está a grande diferença que este artigo traz:

• O jeito antigo (Interações): O vendedor só aprendia o que você gostava quando você comprava ou pegava uma peça da cesta. Se você não comprasse nada, ele assumia que você não gostava de nada.
• O jeito novo (Impressões): O vendedor agora também observa o que ele colocou na cesta, mesmo que você não compre nada. Ele sabe que você viu a camisa azul, viu o calção vermelho e viu o chapéu verde. Ele sabe que você viu tudo isso, mesmo que não tenha tocado em nada.

Este artigo é um "mapa do tesouro" sobre como os cientistas estão começando a usar essa nova informação (o que foi mostrado, não apenas o que foi comprado) para criar sistemas de recomendação muito mais inteligentes. Eles chamam isso de Sistemas de Recomendação Conscientes das Impressões.

Aqui está a explicação simples do que eles descobriram:

1. O Problema: O "Efeito Bolha" e o Silêncio

Antes, os sistemas de recomendação (como o da Netflix ou Amazon) funcionavam basicamente assim: "Se você comprou X, vamos te mostrar mais X".

• O problema: Isso cria uma bolha. Se você só compra filmes de ação, o sistema nunca te mostra comédia, porque você nunca "interagiu" com comédia.
• O silêncio: Se o sistema te mostrou 10 filmes de comédia e você não clicou em nenhum, o sistema antigo pensava: "Ah, ele odeia comédia". Mas talvez você só estivesse cansado, ou talvez o filme de ação que estava logo ao lado fosse mais atraente na hora. O sistema não sabia a diferença entre "não gostei" e "não vi direito".

2. A Solução: Olhando para a "Cesta" (Impressões)

Os autores dizem: "Esperem! Vamos olhar para a cesta inteira que mostramos ao cliente".

• Impressão: É o conjunto de itens que aparecem na tela do usuário.
• A nova ideia: Se o sistema mostra 5 filmes e o usuário assiste a 1, o sistema sabe que os outros 4 foram vistos (impressões), mas não escolhidos. Isso é um dado valioso! Pode significar que o usuário não gostou, ou que eles eram "ruins" para aquele momento, ou que o usuário só não teve tempo.

3. O Que Eles Analisaram (O "Mapa")

Os autores revisaram 43 estudos importantes e criaram um sistema para organizar como as empresas estão usando essa nova informação. Eles dividiram tudo em três categorias:

• Como eles pensam (Modelos): Alguns usam regras simples (ex: "se viu 3 vezes, não mostre mais"). Outros usam "cérebros" de computador muito complexos (Inteligência Artificial) para entender padrões sutis.
• Como eles usam os dados (Dados): Alguns apenas contam quantas vezes um item apareceu. Outros olham para a lista inteira de itens mostrados de uma vez só.
• O que eles acham do "não clique" (Sinais): Aqui está o ponto crucial.
  • A maioria ainda acha que "não clicar" é um sinal de "não gostei" (negativo).
  • Alguns estão começando a aprender que "não clicar" pode ser neutro (o usuário só não viu) ou até positivo (o usuário gostou, mas não tinha tempo para assistir agora).

4. Os Desafios (As Armadilhas)

O artigo avisa que não é tão simples quanto parece:

• Muita informação: Temos muito mais dados de "o que foi mostrado" do que de "o que foi comprado". É como tentar encontrar uma agulha num palheiro, mas o palheiro é gigante.
• Vieses (Preconceitos): Se o sistema mostra sempre os mesmos filmes populares, o usuário só vai clicar neles. O sistema pode achar que o usuário só gosta de populares, quando na verdade ele só viu o que o sistema mostrou. É um ciclo vicioso.
• Dados Secretos: A maioria das empresas não compartilha esses dados detalhados (quem viu o quê) com os pesquisadores, o que torna difícil testar novas ideias.

5. O Futuro (Para Onde Vamos?)

Os autores sugerem que, no futuro, os sistemas devem:

• Entender o "Cansaço": Se o sistema mostra o mesmo filme 10 vezes e você não clica, talvez você esteja cansado daquele filme, e não que ele seja ruim.
• Ser mais justo: Usar essas informações para mostrar itens que você nunca viu antes, quebrando a bolha, em vez de apenas repetir o que você já gosta.
• Aprender com o "Não": Descobrir se o silêncio do usuário significa "não gostei", "não vi" ou "não é o momento".

Resumo em uma Metáfora Final

Imagine que você é um professor.

• O jeito antigo: O professor só sabe o que você aprendeu quando você passa na prova (interação). Se você não passar, ele acha que você não estudou.
• O jeito novo (Impressões): O professor agora também anota quais livros você pegou da estante e quais você leu por 5 minutos antes de devolver (impressão), mesmo que você não tenha feito a prova. Com isso, ele entende melhor como você aprende, o que te entedia e quando você está cansado, ajustando a aula para ser perfeita para você.

Este artigo é o manual de instruções para que os "professores" (sistemas de recomendação) parem de adivinhar e comecem a realmente entender o que os alunos (usuários) estão pensando, olhando para o que foi mostrado, e não apenas para o que foi feito.

Resumo técnico

1. O Problema

Os sistemas de recomendação tradicionais baseiam-se predominantemente em interações do usuário (cliques, compras, avaliações) para aprender preferências. No entanto, essa abordagem sofre de limitações significativas, como a tendência de recomendar itens populares (viés de popularidade), a criação de "bolhas de filtro" e a dificuldade em lidar com o problema do usuário frio.

Um problema central não resolvido é a subutilização dos dados de impressões (itens mostrados na tela do usuário, mas que não necessariamente geraram uma interação). A literatura existente trata as impressões de forma dispersa, com terminologias variadas (exposições, slates, recomendações passadas) e interpretações inconsistentes sobre como modelar o feedback de itens impressos mas não clicados (se são negativos, neutros ou positivos). A falta de um quadro unificado impede o avanço sistemático no uso desses dados para melhorar a precisão e a personalização das recomendações.

2. Metodologia

Os autores realizaram uma revisão sistemática da literatura para unificar o conhecimento sobre o uso de impressões em sistemas de recomendação.

• Critérios de Seleção: Foram analisados 1.351 artigos candidatos, filtrados para 43 artigos relevantes publicados em conferências e periódicos de alto nível (CORE A*/A e Q1 Scimago) entre 2009 e 2023.
• Definição de Paradigma: Os autores definem o conceito de Sistemas de Recomendação Conscientes de Impressão (IARS - Impression-Aware Recommender Systems). Um IARS é qualquer sistema que utiliza impressões e interações como fontes de dados primárias para aprender preferências, independentemente da complexidade do modelo.
• Quadro Teórico: Foi estabelecido um formalismo matemático que distingue IARS de outros paradigmas (como Sistemas de Recomendação Conscientes de Contexto - CARS). A distinção crucial reside na definição de eventos e na função de previsão: em IARS, a impressão (o conjunto de itens mostrados) é parte intrínseca do perfil do usuário e do evento de aprendizado, enquanto em CARS o contexto é uma variável externa calculada no momento da previsão.
• Taxonomias Propostas: Para categorizar a literatura, os autores desenvolveram três taxonomias principais:
  1. Modelo-Cêntrica: Classifica os algoritmos por técnica (Heurísticas, Estatísticos, Aprendizado de Máquina, Deep Learning, Aprendizado por Reforço).
  2. Dados-Cêntrica: Classifica como as impressões são processadas como entrada (Extração de Features, Aprendizado direto da impressão, Amostragem de itens).
  3. Sinal-Cêntrica: Classifica como o sistema trata impressões não interativas (Assume um sinal fixo, geralmente negativo, ou Aprende o sinal a partir dos dados).

3. Principais Contribuições

O artigo oferece várias contribuições fundamentais para o campo:

• Definição Unificada: Estabelece o paradigma IARS, diferenciando-o teoricamente de outros tipos de sistemas de recomendação e fornecendo uma notação matemática consistente.
• Sistema de Classificação: Apresenta as três taxonomias (Modelo, Dados, Sinal) que permitem analisar e comparar trabalhos anteriores de forma estruturada.
• Revisão Abrangente: Analisa 43 trabalhos, cobrindo desde métodos heurísticos simples (como frequency capping) até arquiteturas complexas de Deep Learning (MLP, Two-Tower, MMoE) e Aprendizado por Reforço (RL).
• Mapeamento de Conjuntos de Dados: Compila e classifica 13 conjuntos de dados públicos com impressões, distinguindo entre impressões contextuais (onde se sabe qual item foi impresso em qual sessão e sua posição) e impressões globais (onde a conexão entre a interação e a sessão de impressão é perdida).
• Diretrizes de Avaliação: Discute metodologias de avaliação, alertando para armadilhas comuns (como usar impressões no tempo de teste para modelos end-to-end) e destacando a necessidade de alinhamento entre objetivos de pesquisa e métricas.

4. Resultados e Descobertas Chave

A análise dos 43 artigos revelou tendências e lacunas importantes:

• Evolução dos Modelos: Há uma clara transição de métodos heurísticos e estatísticos (predominantes antes de 2016) para Deep Learning (38,6% dos trabalhos) e Aprendizado por Reforço (22,7%).
• Tratamento de Sinais: A maioria esmagadora dos trabalhos (63,6%) assume que impressões não interativas são sinais negativos (o usuário não gostou). Apenas 25% tentam aprender o sinal real, o que é uma lacuna crítica, pois a inação pode ser devido a fatores como fadiga do usuário ou posição na tela, e não falta de interesse.
• Tipos de Impressões: 65,9% dos trabalhos utilizam impressões globais, que são menos informativas. Apenas 31,8% utilizam impressões contextuais, que permitem analisar viés de posição e arranjo, sendo essenciais para modelos mais avançados.
• Viés e Escalabilidade: Os dados mostram que o número de impressões é frequentemente uma ordem de magnitude maior que o de interações (razão média de ~26:1), criando desafios de escalabilidade. Além disso, a presença de viés de exposição nos dados de impressão é um problema não totalmente resolvido.
• Fadiga do Usuário: Vários trabalhos modelam a "fadiga" (desinteresse devido à repetição), mas muitas vezes usam regras fixas ou funções ad-hoc, em vez de aprender dinamicamente a partir dos dados de impressão.

5. Significado e Impacto

Este trabalho é fundamental para o futuro da pesquisa em sistemas de recomendação por várias razões:

• Paradigma Novo: Formaliza o uso de impressões não apenas como ruído ou dados secundários, mas como uma fonte primária de informação para entender a intenção e o contexto do usuário.
• Direcionamento de Pesquisa Futura: Identifica questões em aberto cruciais, como:
  • Como modelar e detectar a fadiga do usuário de forma personalizada.
  • Como desenvolver técnicas de debiasing (correção de viés) que utilizem a informação completa das impressões (incluindo itens não clicados) para corrigir o viés de exposição.
  • A necessidade de novos conjuntos de dados públicos com impressões contextuais detalhadas.
• Melhoria na Qualidade: Ao permitir que os sistemas aprendam não apenas o que o usuário fez, mas também o que o sistema mostrou e como o usuário reagiu (ou não) a diferentes arranjos, os IARS prometem recomendações mais precisas, justas e menos propensas a criar bolhas de filtro.

Em resumo, o artigo serve como a pedra angular para a consolidação do campo de Sistemas de Recomendação Conscientes de Impressão, fornecendo a terminologia, as ferramentas de classificação e o roteiro para pesquisas futuras que visam superar as limitações dos sistemas baseados apenas em interações.