Resumo Técnico: NaviGen – Navegando o Comportamento do Usuário para Geração Multimodal Personalizada

1. Definição do Problema

O artigo aborda uma lacuna crítica nos pipelines modernos de Inteligência Artificial Generativa de Conteúdo (AIGC). Embora os atuais geradores de texto para imagem e texto para vídeo produzam saídas de alta fidelidade, eles dependem de instruções textuais bem formuladas. No entanto, os usuários finais raramente articulam detalhes visuais específicos; suas preferências estão implícitas em seus históricos de interação (cliques, visualizações, compras).

Isso cria um "Gap de Preferência-para-Instrução". Os métodos existentes ou assumem que existe um prompt perfeito ou dependem de expansão de prompt genérica, falhando em traduzir o histórico comportamental específico e implícito de um usuário em uma instrução concreta e pronta para geração. Os autores identificam dois desafios centrais:

1. Gap de Representação (C1): Como codificar o comportamento do usuário em uma forma legível para Grandes Modelos de Linguagem (LLMs) que preserve a estrutura comportamental sem ser verbosa ou semanticamente opaca.
2. Gap de Capacidade (C2): Como equipar os modelos com a habilidade de escrever instruções de criação específicas baseadas no raciocínio de preferência, uma capacidade que não é adquirida naturalmente através de pré-treinamento padrão ou dados de comportamento.

2. Metodologia: NaviGen

Os autores propõem o NaviGen, um framework unificado que converte sequências de interação do usuário em instruções executáveis de AIGC. A arquitetura consiste em três componentes principais:

A. Codificação de Comportamento de Identificador Duplo

Para preencher o gap de representação, o NaviGen codifica cada item no histórico de um usuário usando um esquema de identificador duplo dentro de um único fluxo de tokens:

• Identificador Colaborativo (CID): Uma sequência de tokens de quantização vetorial residual de três níveis derivada dos metadados do item. Ele captura o papel do item no grafo de interação e padrões colaborativos, servendo como um substrato comportamental compacto.
• Identificador Textual (TID): Uma lista de termos de comprimento variável (até 10 termos), composta por frases semânticas concisas e ordenadas (ex: sujeito, cena, atributos) comprimidas da legenda original. Isso atua como uma ponte semântica controlável.
• Acoplamento: O CID e o TID são acoplados para fornecer tanto o sinal comportamental quanto o embasamento semântico, permitindo que o modelo raciocine sobre preferências sem ser sobrecarregado por texto bruto.

B. Pipeline de Treinamento em Dois Estágios

O NaviGen emprega um pipeline de Ajuste Fino Supervisionado (SFT) + Aprendizado por Reforço (RL) para fechar o gap de capacidade.

Estágio 1: SFT Infundido com Raciocínio

• Inicialização de Cold-Start: Os embeddings do CID são inicializados congelando o backbone e treinando apenas em tarefas auxiliares (CID2TID, TID2CID, CID2CID) para garantir a aquisição estável de representação.
• Fine-tuning Completo Aumentado por Raciocínio: O modelo é treinado em um dataset sintetizado onde as instruções são geradas via um processo de busca evolutiva; um juiz LLM seleciona e evolui instruções candidatas (via crossover e mutação) para alinhar-se à semântica do usuário.
• Cadeia de Pensamento (CoT): Os dados de treinamento incluem traços de raciocínio que explicam como as preferências do usuário evoluem ao longo do histórico (ex: "O usuário passou de interações com elfos humorísticos para conflitos românticos"), ensinando o modelo a inferir tendências em vez de apenas parafrasear o histórico.

Estágio 2: Aprendizado por Reforço Multitarefa (GRPO)
O modelo é otimizado adicionalmente usando Group Relative Policy Optimization (GRPO) com dois sinais de recompensa complementares:

1. Recompensa de CID Hierárquica: Avalia a correção do próximo CID previsto em três níveis de granularidade (do grosso ao fino), priorizando a precisão do nível de família sobre a precisão da variante exata.
2. Recompensa Consciente de Instrução: Uma verificação de autossustentabilidade triangular envolvendo:
   • Qualidade: Especificidade, criatividade e generabilidade visual (avaliadas por um juiz LLM).
   • Alinhamento: Garantir que a instrução gerada se ancora na semântica alvo, permanece autossustentável com sua própria previsão e alinha-se com a verdade fundamental (ground truth).

3. Principais Contribuições

1. Framework NaviGen: Um pipeline unificado que une a modelagem comportamental e a geração de conteúdo controlável, transformando o histórico implícito do usuário em instruções prontas para geração.
2. Representação de Identificador Duplo: Um esquema inovador que acopla CIDs quantizados por resíduo (substrato comportamental) com TIDs ordenados e de comprimento flexível (ponte semântica) dentro de um único fluxo de tokens.
3. Estratégia de Treinamento SFT+RL: Um método que não requer instruções escritas por humanos, utilizando busca evolutiva para síntese de supervisão e GRPO com recompensas hierárquicas e triangulares para impor autossustentabilidade de ciclo fechado.
4. Validação Empírica: Demonstrou melhorias em domínios de produtos, jogos e vídeos curtos na qualidade de geração de imagem/vídeo personalizada, precisão de previsão do próximo item e especificidade de instrução.

4. Resultados Experimentais

Os autores avaliaram o NaviGen em três datasets: Produto (Amazon reviews), Jogos (Amazon reviews) e Vídeos Curtos (benchmark OpenOneRec).

• Desempenho de Geração Personalizada: O NaviGen alcançou resultados de estado da arte na maioria das comparações não-oracle.
  • Imagens: Liderou em Novidade, Estética e Relevância em todos os domínios, com desempenho particularmente forte em Jogos e Vídeos Curtos.
  • Vídeos: Alcançou os melhores resultados em 9 de 12 comparações não-oracle, equilibrando consistência de quadro com relevância específica de preferência.
  • Comparação com Oracle: Embora um "Oracle" (condicionado à semântica alvo da verdade fundamental) tenha alcançado a maior Relevância, o NaviGen superou-o nas pontuações de Estética para imagens de Produto e Vídeos Curtos, sugerindo que a semântica alvo por si só não garante qualidade perceptual superior.
• Predição de Identificador Colaborativo: O NaviGen superou bases fortes (SASRec, TIGER, LC-Rec, OneRec) na previsão do próximo CID, particularmente em Recall@20 e NDCG@20 para os domínios de Produto e Vídeos Curtos.
• Estudos de Ablação: Remover o embasamento TID, a inicialização CID, a supervisão de raciocínio ou a otimização GRPO degradou consistentemente o desempenho, confirmando a necessidade de cada componente para a qualidade de geração e modelagem comportamental.

5. Significância e Alegações

O artigo afirma que o NaviGen estabelece um caminho unificado do comportamento implícito do usuário para a síntese multimodal controlável. Sua principal significância reside em:

• Resolver o Gargalo de Entrada: Aborda a limitação fundamental de que usuários finais não conseguem escrever prompts detalhados, automatizando a tradução de sinais comportamentais em instruções de alta qualidade.
• Desacoplar Comportamento e Semântica: Ao separar a codificação comportamental (CID) do embasamento semântico (TID), o modelo trata a previsão de preferência como um passo de raciocínio intermediário em vez de um objetivo final, permitindo uma generalização mais robusta.
• Melhorar a Utilidade da AIGC: O framework permite que geradores downstream produzam conteúdo que não é apenas de alta fidelidade, mas também especificamente alinhado com os gostos individuais do usuário, indo além da geração genérica para a verdadeira personalização.

Os autores mantêm uma postura modesta, observando que o trabalho é uma "camada assistiva para controle criativo" e enfatizando que a implementação prática requer consentimento explícito do usuário e salvaguardas de privacidade em relação ao uso de históricos de interação.