Imagine que você está caminhando por uma enorme e movimentada praça digital, onde milhares de pessoas estão constantemente performando, conversando e compartilhando histórias. Este é o mundo da transmissão ao vivo (live-streaming), um lugar onde a magia acontece em tempo real. Mas para as pessoas que administram a praça, há um quebra-cabeça difícil: como decidir qual performer mostrar para qual visitante? Este é o trabalho de um "sistema de recomendação", um casamenteiro digital que tenta adivinhar o que você vai amar a seguir.

No passado, esses casamenteiros eram como bibliotecários ansiosos que só se importavam com o livro que você pegou agora. Mas na transmissão ao vivo, a história é mais complexa. Às vezes, um espectador assiste a um streamer por alguns minutos, conversa um pouco e depois vai embora. Eles podem não voltar por dias, ou podem subitamente decidir se inscrever ou enviar dinheiro semanas depois. Essas ações são como sementes plantadas no solo; elas não brotam imediatamente. Se o casamenteiro olhar apenas para o que acontece nos próximos cinco minutos, ele perderá as sementes que crescerão mais tarde. Além disso, a praça é cheia de diferentes tipos de pessoas: alguns são turistas novos que só querem ver um show rápido, enquanto outros são frequentadores assíduos que querem construir amizades profundas com os performers. Tratar todos exatamente da mesma forma muitas vezes leva a recomendações ruins. Este artigo explora como construir um casamenteiro mais inteligente que entenda tanto o entusiasmo imediato quanto o crescimento de longo prazo desses relacionamentos.

O Desafio: O Problema do "Esperar para Ver"

Os autores deste artigo, trabalhando na Twitch, enfrentaram uma dor de cabeça única. Nas compras online, se você clica em um produto e não o compra, provavelmente não o comprará mais tarde. Mas na transmissão ao vivo, um espectador pode clicar em um canal, assistir por um tempo e depois voltar três dias depois para seguir o streamer ou até pagar por uma assinatura.

O problema é que essas ações "grandes" (como seguir ou gastar dinheiro) são raras e acontecem lentamente. Se o computador tentar aprender com elas imediatamente, ele verá principalmente respostas "não", o que confunde o sistema. É como tentar aprender a fazer um bolo olhando apenas para os primeiros cinco minutos do processo; você nunca saberia se o bolo realmente ficou bom. Além disso, o sistema estava ficando enviesado. Como os "superfãs" (que conversam e gastam muito) geram muitos dados, o computador estava aprendendo a agradá-los tão bem que esqueceu dos novos espectadores casuais que só queriam dar uma espiadinha.

A Solução: Uma Estratégia de Três Partes

Para resolver isso, a equipe construiu um novo sistema de classificação com três truques inteligentes, agindo como uma equipe de detetives especializados.

1. A Janela de Viagem no Tempo (Sinais Atrasados)
Primeiro, eles perceberam que precisavam parar de julgar o interesse de um espectador rápido demais. Em vez de perguntar: "Eles gostaram disso agora?", eles perguntaram: "Eles gostaram disso ao longo das próximas duas semanas?". Eles criaram uma "janela de atraso" de 14 dias. Se um espectador clicasse em um canal e, dentro de duas semanas, decidisse conversar, seguir ou gastar dinheiro, o sistema contava aquilo como um "sim". Isso transformou eventos raros e dispersos em uma imagem mais clara, ajudando o computador a entender que uma reação lenta ainda pode ser positiva.

2. A Abordagem de Duas Equipes (Novo vs. Atrasado)
Em seguida, perceberam que nem todas as ações são iguais. Algumas coisas, como clicar ou assistir por alguns minutos, acontecem instantaneamente. Outras, como seguir ou gastar, levam tempo. Então, eles dividiram o trabalho.

• Equipe Fresh (FSM): Esta equipe foca em reações imediatas. Eles olham para o que o espectador está fazendo agora para prever se ele ficará por alguns minutos.
• Equipe Delayed (DSM): Esta equipe olha para o longo prazo. Eles usam essa janela de 14 dias para prever se um espectador eventualmente seguirá ou gastará dinheiro.
  Ao ter duas equipes separadas, o sistema não fica confuso. Ele não mistura um "clique" rápido com uma "assinatura" profunda.

3. O Treinador Personalizado (Direcionamento Consciente de Segmento)
Finalmente, notaram que novos espectadores e superfãs precisam de coisas diferentes. Um novo espectador precisa ser fisgado com conteúdo emocionante e curto para continuar voltando. Um superfã está pronto para conexões mais profundas e pode querer apoiar financeiramente o streamer.
O sistema agora age como um treinador que conhece o nível do jogador. Para novos espectadores, ele prioriza fazer com que assistam e conversem. Para fãs dedicados, ele prioriza ajudar a encontrar canais que eles queiram apoiar. Ele faz isso ajustando a "pontuação" das recomendações com base em quem está assistindo, sem precisar construir um sistema completamente novo para cada grupo.

O Ingrediente Secreto: O MMoE

Para fazer tudo isso funcionar sem deixar o computador lento, eles usaram uma arquitetção inteligente chamada Multi-gate Mixture-of-Experts (MMoE). Imagine um restaurante com um chef principal e vários subchefs especializados.

• Um subchef é especialista em "aperitivos rápidos" (cliques imediatos).
• Os outros subchefs são especialistas em "pratos principais complexos" (engajamento profundo e gastos).
  O "gate" (portão/filtro) é o garçom que decide qual conselho de chef ouvir para um cliente específico. Isso permitiu que o sistema aprendesse com todos esses diferentes objetivos ao mesmo tempo, mas manteve a matemática eficiente. De fato, ao usar este método, eles reduziram o número de parâmetros do computador (as "células cerebrais" do modelo) em 41,9% em comparação com a execução de modelos separados para tudo, obtendo resultados ainda melhores.

Os Resultados: Uma Vitória para Todos

A equipe testou este novo sistema com milhões de usuários reais. Os resultados foram promissores:

• Mais Espectadores: O número de Espectadores Ativos Diários (DAV) aumentou em 0,09%. Embora pareça pouco, em um mundo com milhões de usuários, isso se traduz em milhões de "dias de visualização" a mais todos os anos.
• Fãs Felizes: Para os fãs dedicados, o "Average Revenue Per User (ARPU) limitado" aumentou em 0,56%, o que significa que os usuários mais engajados gastaram um pouco mais para apoiar seus streamers favoritos.
• Novos Amigos: O sistema ajudou novos espectadores a permanecerem, aumentando seu engajamento em 0,15%.
• Mais Seguidores: O número de novos seguidores de canais aumentou em 0,27%.

Melhor ainda, o sistema era rápido. Ele conseguia tomar essas decisões complexas em menos de 110 milissegundos (isso é mais rápido que um piscar de olhos), provando que você pode ser inteligente e veloz ao mesmo tempo. Eles também testaram no aplicativo móvel e viram um aumento de 1,12% em interações positivas, como cliques e curtidas.

O Que Eles Não Fizeram

Os autores foram cuidadosos ao notar o que não funcionou. Eles tentaram corrigir o viés contra novos espectadores dando mais peso aos seus dados durante o processo de treinamento (essencialmente gritando mais alto para o computador sobre os novos usuários), mas isso não ajudou e tornou as coisas complicadas. Em vez disso, descobriram que ajustar os pesos após o treinamento do modelo (no momento da recomendação) era a chave. Eles também descobriram que tentar colocar todos os objetivos em um único modelo gigante tornava o sistema pior em prever o engajamento imediato, provando que manter os sinais "fresh" e "delayed" separados era crucial.

Em resumo, este artigo mostra que, para construir um ótimo sistema de recomendação de transmissão ao vivo, você precisa ser paciente o suficiente para esperar as sementes crescerem, inteligente o suficiente para tratar novos e antigos fãs de forma diferente e eficiente o suficiente para fazer tudo isso no blink de um olho.