Resumo Técnico: Mudanças de Curto Prazo nas Intenções de Usuários de E-Commerce e Classificação de Recomendação de Produtos

1. Definição do Problema

Os sistemas de recomendação tradicionais de e-commerce frequentemente dependem de sequências históricas de cliques ou características de itens de modalidade única. No entanto, o comportamento do usuário dentro de uma única sessão é heterogêneo, envolvendo diversas operações, como busca, visualização de imagens, leitura de avaliações, comparação de preços e adição de itens ao carrinho. Essas interações indicam que os interesses de curto prazo do usuário não são estáticos; eles podem mudar rapidamente de um alvo de produto único para múltiplos cenários de consumo, incluindo transições entre categorias (ex: de vestuário para acessórios de viagem).

Os métodos existentes frequentemente falham em capturar adequadamente:

• Transferências entre categorias: A mudança na intenção do usuário entre distintas categorias de produtos dentro de uma sessão.
• Semântica multimodal: A interação entre aparência visual, textos de avaliações e termos de busca.
• Transições de estado: A evolução da intenção do usuário da navegação para a preparação de compra ou abandono.

Consequentemente, as classificações de produtos candidatos frequentemente falham em alinhar-se com a fase atual de tomada de decisão do usuário, levando a um desempenho de recomendação subótimo, particularmente para itens de baixa frequência e cenários de transição de categoria.

2. Metodologia

O artigo propõe um Modelo de Classificação de Recomendação Sensível ao Estado (State-Aware) projetado para e-commerce transfronteiriço. A metodologia é construída sobre o dataset CEMR-42M, que contém 468.320 usuários, 126.480 SKUs e mais de 42 milhões de registros de interação.

2.1 Representação de Dados e Definição de Estado

• Modelagem de Sessão: As sessões são segmentadas com base no tempo de evento e limites de inatividade. Cada evento de sessão é representado como um vetor conjunto $\eta_l$ que concatena tipo de comportamento, características de imagem do produto, características de texto de avaliação, características de termos de busca, atributos do produto e intervalos de tempo.
• Seis Estados Operacionais: As intenções de curto prazo do usuário são discretizadas em seis estados observáveis derivados dos logs da plataforma:
  1. Exploração de Navegação: Cliques de alta frequência e visualização de imagens.
  2. Comparação de Preços: Leitura de avaliações e alternância para produtos similares.
  3. Migração de Categoria: Gatilho por aumento de distância entre categorias ou mudanças nos termos de busca.
  4. Preparação de Compra: Favoritar, adicionar ao carrinho e comparação concentrada.
  5. Compra Repetida: Revisitas a SKUs similares baseadas no histórico.
  6. Abandono: Inatividade prolongada ou terminação de sessão sem conversão.

2.2 Arquitetura do Modelo

O modelo consiste em quatro componentes primários:

1. Codificação de Sequência de Comportamento de Múltiplos Tipos:

   • Categorias de comportamento são mapeadas para identificadores discretos e combinadas com ID do produto, categoria, intervalos de tempo e informações do dispositivo.
   • A unidade de treinamento é uma amostra de prefixo de sessão: o prefixo até o evento $t$ serve como entrada, enquanto o próximo evento fornece supervisão de clique. Estados futuros em $t+3, t+5$ e $t+10$ servem como rótulos de transição de múltiplos passos.
   • Uma janela de 20 eventos é mantida; sessões mais curtas são preenchidas (padding) e as mais longas são truncadas para preservar o contexto recente.

2. Extração e Fusão de Características Multimodais:

   • Codificador Visual: Extrai características de cor, estilo, forma e cena.
   • Codificador de Texto: Extrai semânticas de tamanho, qualidade, logística e experiência do usuário a partir de avaliações.
   • Codificador de Busca: Captura necessidades imediatas do usuário.
   • Fusão de Portão Mascarado (Masked Gated Fusion): Para lidar com modalidades ausentes (ex: produtos sem imagens), um mecanismo de fusão de portão mascarado gera uma representação conjunta do produto $z_i$. Isso utiliza parâmetros de portão aprendíveis para ponderar as modalidades disponíveis (imagem, avaliação, busca, atributos), garantindo robustez contra dados ausentes.

3. Predição de Estado de Intenção de Curto Prazo:

   • Um classificador de estado de múltiplos passos prevê a distribuição de probabilidade dos seis estados para os próximos 3, 5 e 10 passos de interação ($\hat{\pi}^{(d)}$).
   • Isso permite que o modelo distinga entre preferências de clique instantâneas e tendências de compra tardias, reduzendo a interferência de flutuações aleatórias de cliques.

4. Mecanismo de Classificação Sensível ao Estado:

   • A pontuação final de classificação $\hat{r}_{\kappa,q}$ é computada concatenando o vetor de contexto da sessão, a representação multimodal do produto e as distribuições de probabilidade de estado previsto para 3, 5 e 10 passos.
   • Este mecanismo reclassifica candidatos não apenas com base na similaridade, mas no estágio de decisão do usuário e nas tendências de transição futura.

2.3 Objetivo de Treinamento

Uma abordagem de Aprendizado Conjunto de Múltiplas Tarefas (Multi-Task Joint Learning) é empregada para equilibrar quatro tarefas simultaneamente:

1. Predição do próximo clique (Entropia Cruzada Binária).
2. Classificação de candidatos (Perda de Classificação Pareada/Pairwise Ranking Loss).
3. Reconhecimento de intenção atual (Entropia Cruzada).
4. Predição de transição de estado futuro (Entropia Cruzada para 3, 5 e 10 passos).

A função de perda total $\mathcal{L}$ é uma soma ponderada dessas tarefas mais a regularização L2, evitando que o modelo seja dominado por um único sinal (ex: ruído de clique).

3. Principais Contribuições

• Modelagem Sensível ao Estado: Modela explicitamente as intenções de curto prazo do usuário como uma sequência de seis estados operacionais em vez de uma sequência plana de cliques, permitendo a captura de transições complexas como a migração entre categorias.
• Integração Multimodal: Desenvolve um mecanismo de fusão robusto que integra comportamentos, imagens, avaliações e consultas de busca, abordando especificamente o problema de modalidades ausentes (ex: SKUs sem imagem) através de portão mascarado.
• Predição de Horizonte de Múltiplos Passos: Prediz distribuições de estado ao longo de múltiplos horizontes futuros (3, 5, 10 passos), permitindo que o sistema de classificação antecipe as necessidades do usuário além do próximo clique imediato.
• Dataset de Grande Escala: Introduz o dataset CEMR-42M, um conjunto de dados de e-commerce transfronteiriço multimodal de grande escala com anotações detalhadas ao nível de sessão.

4. Resultados Experimentais

O modelo, denominado MISTRec, foi avaliado contra baselines incluindo Wide & Deep, DIN, DIEN, SASRec, BERT4Rec, MMRec e CLIP4Rec.

• Predição do Próximo Clique: O MISTRec alcançou um AUC de 0,8219 e LogLoss de 0,3748, superando o melhor baseline (CLIP4Rec) em 0,0034 em AUC.
• Recomendação Top-K:
  • NDCG@10: 0,4317 (0,0158 superior ao BERT4Rec).
  • Recall@10: 0,2865 (0,0191 superior ao SASRec).
• Predição de Estado de Intenção:
  • Intent-F1: 0,7426.
  • Precisão de Transição de Estado: 0,7189.
  • A precisão de predição diminuiu com o comprimento do horizonte (0,7462 para 3 passos, 0,6890 para 10 passos), refletindo o decaimento natural da previsibilidade da intenção.
• Desempenho em Categorias Cruzadas e Baixa Frequência:
  • Recall de Categoria Cruzada: 0,2736, superando significativamente o SASRec (0,2145).
  • Recall de Item de Baixa Frequência @10: 0,2387, mostrando melhor manejo de itens com interações esparsas.
• Eficiência: A latência média de inferência é de 38,2 ms com um P95 de 45,7 ms em um conjunto de candidatos de 200, adequado para reclassificação online.

Estudos de Ablação confirmaram que a remoção do módulo de predição de estado causou uma queda significativa no NDCG@10 (de 0,4317 para 0,4176), validando a importância da reclassificação sensível ao estado.

5. Significância e Limitações

O artigo afirma que a modelagem explícita de transições de estado de curto prazo melhora significativamente a robustez da classificação, particularmente em cenários onde os usuários alternam frequentemente entre categorias (ex: vestuário, beleza, outdoor, 3C, viagem). A integração de dados multimodais permite que o sistema vincule candidatos de diferentes categorias com base em cenários de busca ou estilos visuais semelhantes, mesmo quando a coocorrência histórica de cliques está ausente.

Alegações Modestas e Limitações:
Os autores reconhecem explicitamente várias limitações e suposições de modelagem:

• Supervisão Fraca: Os seis estados de intenção são rótulos operacionais derivados de logs, não estados psicológicos diretamente observados.
• Suposições de Engenharia: A amostragem de prefixo de sessão e a janela de 20 eventos são escolhas de engenharia para equilibrar a preservação de sinal e a redução de ruído.
• Escopo de Avaliação: A avaliação de Itens de Baixa Frequência testa itens com histórico esparso (1-4 interações) em vez de um cold-start estrito (zero interações).
• Offline vs. Online: Métricas offline não capturam totalmente interrupções do usuário, feedback atrasado ou viés de exposição online.

Trabalhos futuros sugeridos pelos autores incluem explorar testes de itens nunca vistos, identificação causal de transição de estado, codificação multimodal leve e testes A/B online.