Semantic-Retrieval-Reasoning Pipeline: A Hybrid Large Language Model Framework for Intent-Aware and Explainable Bundle Recommendation

Resumo Técnico: Pipeline de Raciocínio-Recuperação-Semântica (SRRP)

Definição do Problema
Os atuais Sistemas de Recomendação de Bundles (BRS) enfrentam uma tríade de desafios: falta de explicabilidade, tamanho de bundle rígido e a suposição de "intenção única". Métodos tradicionais, que variam de algoritmos baseados em restrições (Apriori, FP-Growth) a Redes Neurais de Grafos (GNNs como BGCN e BundleNet), frequentemente funcionam como "caixas pretas", falhando em fornecer justificativas lógicas para agrupamentos de itens. Além disso, esses modelos frequentemente assumem uma única intenção do usuário por cesta de compras, levando a recomendações monótonas. Embora abordagens generativas recentes utilizando Grandes Modelos de Linguagem (LLMs) tenham introduzido explicabilidade, elas sofrem de ineficiências computacionais, explosão combinatória e tendência à alucinação. Para mitigar esses problemas, os modelos generativos existentes frequentemente impõem tamanhos de bundles estáticos e pequenos (ex: 2–3 itens), o que não acomoda a natureza dinâmica e diversa das necessidades reais dos consumidores, particularmente para compras de volume ou de múltiplas intenções.

Metodologia: O Pipeline de Raciocínio-Recuperação-Semântica (SRRP)
Os autores propõem o SRRP, um framework híbrido que integra prompting de LLM e técnicas de embedding em um pipeline de três estágios para gerar bundles conscientes da intenção, dinâmicos e explicáveis.

1. Unidade de Segmentação Semântica (SSU):

   • Função: Atua como um filtro cognitivo para decompor cestas de compras ruidosas e de múltiplas intenções em clusters de intenção distintos.
   • Mecanismo: Utiliza um LLM com Aprendizado em Contexto (ICL) e prompting de poucos disparos (few-shot) para realizar o agrupamento semântico. Em vez de tratar a cesta como um único vetor, a SSU rotula os itens com base em ocasiões de uso (ex: "Café da Manhã", "Suprimentos de Escritório").
   • Base Teórica: O "Teorema da Redução de Variância Semântica" postula que o agrupamento de itens por proximidade funcional reduz a variância semântica intra-cluster, minimizando assim os limites de erro de recuperação em comparação ao processamento de toda a cesta como uma única entidade.

2. Unidade de Recuperação Contextual (CRU):

   • Função: Recupera bundles candidatos factuais de um banco de dados histórico com base nos clusters de intenção gerados pela SSU.
   • Mecanismo: Transforma os clusters de intenção em vetores densos de alta dimensão usando um Sentence-Transformer (ex: all-MiniLM-L6-v2). Esses vetores consultam um banco de dados vetorial (ChromaDB) via Similaridade de Cosseno para encontrar bundles historicamente relevantes.
   • Base Teórica: O "Teorema do Limite de Relevância Semântica" demonstra que a recuperação por vetores densos pode identificar itens semanticamente relevantes mesmo sem sobreposição de palavras-chave, superando métodos tradicionais de correspondência exata ou regras de associação em termos de recall.

3. Unidade de Validação de Raciocínio (RVU):

   • Função: Valida bundles candidatos, ajusta dinamicamente o tamanho do bundle e gera explicações e nomes em linguagem natural persuasivos.
   • Mecanismo: Emprega prompting de Cadeia de Pensamento (CoT) para avaliar a complementaridade lógica dos itens candidatos em relação à cesta original do usuário. Ela filtra alucinações, descarta itens irrelevantes e constrói narrativas explicativas.
   • Alinhamento Human-in-the-Loop (HITL): Para garantir o alinhamento cognitivo e prevenir alucinações, o raciocínio da RVU é validado contra o ground truth estabelecido por nove anotadores humanos independentes. O sistema utiliza uma abordagem de "CoT Dinâmica", injetando exemplos curados desse consenso humano para alinhar o raciocínio da máquina com a percepção humana.
   • Base Teórica: O "Teorema da Otimalidade de Tamanho de Bundle Dinâmico" argumenta que a poda condicional baseada em relevância lógica minimiza erros de inclusão em comparação com sistemas de dimensionamento estático.

Principais Contribuições

• Framework Híbrido: A introdução do SRRP, que unifica precisão técnica (via recuperação baseada em embedding) e transparência cognitiva (via raciocínio de LLM) em um único pipeline.
• Decomposição de Múltiplas Intenções: O uso de LLMs como um filtro cognitivo para decompor dinamicamente cestas de usuários ruidosas em clusters de múltiplas intenções, eliminando a dependência de ajustes manuais rígidos de características.
• Dimensionamento Dinâmico de Bundles: Um módulo de validação de raciocínio que quebra as restrições estáticas dos modelos generativos anteriores, permitindo que os tamanhos dos bundles se adaptem dinamicamente (variando de 3 a 45 itens) conforme o contexto do usuário.
• Explicabilidade e Validação: A integração de uma metodologia Human-in-the-Loop para validar rigorosamente a nomenclatura e as explicações dos bundles, garantindo o alinhamento com o consenso cognitivo humano e reduzindo alucinações.

Resultados Experimentais
Avaliado no dataset Instacart 2017 usando um protocolo Leave-One-Out, o SRRP foi comparado contra cinco modelos baseline (Apriori, FP-Growth, BundleNet, BGCN, CrossCBR).

• Relevância e Ranking: O SRRP demonstrou desempenho superior em recomendações Top-20. A estratégia de Máscara Aleatória (RM) alcançou um Hit Rate de 0.1100 e Recall de 0.1298, enquanto a estratégia de Divisão Sequencial (SS) atingiu um Recall de 0.1502 e MRR de 0.0683. Estas métricas superaram significativamente os modelos de grafos de última geração (ex: Recall do CrossCBR: 0.0942).
• Diversidade: O SRRP manteve alta Diversidade Intra-Lista (ILD > 0.53), alcançando um equilíbrio ideal entre precisão e diversidade, enquanto os modelos de grafos mostraram alta diversidade, mas precisão significativamente menor.
• Dimensionamento Dinâmico: O sistema gerou com sucesso bundles com tamanhos entre 3 e 5 itens para aproximadamente 79% dos usuários, enquanto acomodou robustamente distribuições de cauda longa de até 4s itens para compradores de volume. Ele suprimiu efetivamente o viés para pares de 2 itens comum em baselines de aprendizado profundo.
• Explicabilidade e Alinhamento: Os textos explicativos gerados atingiram uma pontuação de Fluência G-Eval de 4.79/5.0. O alinhamento semântico com anotadores humanos (medido por Similaridade de Cosseno) atingiu uma pontuação geral de 0.5907 (LLaMA-3), indicando forte alinhamento com o raciocínio lógico humano quanto à validade e nomenclatura do bundle.

Significância e Alegações
O artigo afirma que o SRRP representa um avanço significativo nos Sistemas de Recomendação de Bundles ao abordar a natureza de "caixa preta" dos modelos anteriores e a rigidez do dimensionamento estático. Ao utilizar LLMs não apenas para geração, mas como um filtro cognitivo para detecção de intenção e validação de raciocínio, o framework entrega recomendações que são não apenas precisas, mas também transparentes e confiáveis. Os autores afirmam que o sistema consegue unir a lacuna entre a recuperação matemática e a compreensão lógica humana, fornecendo um assistente de compras racional e credível. No entanto, os autores reconhecem modestamente limitações, observando que o sistema ocasionalmente sofre de "racionalização forçada" (justificativa excessiva de combinações aleatórias de itens) e que trabalhos futuros são necessários para reduzir a latência de inferência e calibrar ainda mais os limiares de rejeição para minimizar falsos positivos.