💻 computer science

An Integrated Hybrid Recommendation and Trust-Aware Review Intelligence Framework for Reliable Service Provider Matching

Este artigo propõe um framework híbrido integrado que combina TF-IDF, similaridade semântica e filtragem colaborativa para a seleção de provedores candidatos com um sistema de inteligência de avaliações baseado em confiança utilizando Multi-Task BiLSTM e Isolation Forest para analisar o sentimento específico de aspectos e a credibilidade das avaliações, alcançando, assim, um pareamento de provedores de serviços mais confiável por meio de um pipeline de reclassificação unificado.

Autores originais: W. A.M. Tharushika, N. T. Hewapathirana, Dhammika De Silva, Samantha Rajapaksha

Publicado 2026-08-28

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: W. A.M. Tharushika, N. T. Hewapathirana, Dhammika De Silva, Samantha Rajapaksha

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Encontrar um profissional qualificado para consertar um cano com vazamento, instalar um teto ou reparar um carro é algo que quase todo mundo faz, mas os mercados digitais projetados para conectar clientes a esses trabalhadores frequentemente deixam as pessoas na dúvida. Quando um usuário digita uma solicitação em uma caixa de busca, o sistema deve decidir qual, entre milhares de prestadores registrados, é o melhor ajuste. Os sistemas tradicionais dependem de uma simples correspondência de palavras-chave, procurando sobreposições exatas de palavras entre o que um cliente pede e o que um prestador oferece, ou baseiam-se fortemente em uma única classificação numérica de estrelas. No entanto, esses métodos muitas vezes falham o alvo. Um cliente pedindo para "consertar uma torneira pingando" e um prestador descrevendo-se como um "encanador que repara vazamentos" estão falando da mesma necessidade, mas um sistema simples de contagem de palavras pode não perceber a conexão. Além disso, um único número não consegue capturar a nuance de uma experiência de serviço, que pode ser excelente em termos de qualidade do trabalho, mas ruim em relação à pontualidade ou comunicação. Ainda mais preocupante é que nem todas as avaliações são confiáveis; algumas são falsas, manipuladas ou escritas por pessoas com padrões de comportamento incomuns, e tratar cada avaliação como igualmente válida pode distorcer a verdadeira reputação de um prestador. Pesquisadores do Instituto de Tecnologia da Informação do Sri Lanka desenvolveram uma nova estrutura para resolver esses problemas, combinando duas abordagens distintas: uma que encontra prestadores relevantes e outra que verifica a confiabilidade do feedback que eles recebem.

Os pesquisadores construíram um sistema de dois estágios projetado para primeiro identificar uma lista de candidatos prováveis e, em seguida, analisar profundamente o feedback associado a eles para garantir a confiabilidade. No primeiro estágio, o sistema atua como um filtro amplo, examinando um banco de dados de dez mil prestadores contra vinte mil solicitações de clientes. Em vez de depender de apenas um método, ele utiliza três formas diferentes de medir a relevância simultaneamente. Ele verifica correspondências diretas de palavras-chave, utiliza modelos de linguagem avançados para entender o significado por trás de diferentes formas de redigir uma solicitação e analisa dados históricos para ver com que frequência um prestador concluiu com sucesso trabalhos para usuários similares ao que está pesquisando. Esses três sinais são fundidos para criar uma pontuação única, reduzindo a enorme lista de prestadores para um grupo gerenciável dos candidatos mais relevantes. Esta abordagem provou ser mais eficaz do que usar qualquer método isolado, identificando com sucesso os prestadores corretos com alta precisão.

Uma vez que o sistema possui uma lista de candidatos, ele passa para o segundo estágio, que funciona como uma unidade de controle de qualidade e verificação de confiança. Aqui, o sistema não olha apenas para a classificação média de estrelas; ele lê o texto real de vinte e cinco mil avaliações de clientes em quatorze categorias de serviço diferentes, como alvenaria, trabalho elétrico e reparo de veículos. Ele decompõe cada avaliação para entender aspectos específicos do serviço: a qualidade do trabalho, se o prestador foi pontual, quão bem eles se comunicaram e seu nível de profissionalismo. Usando uma rede neural sofisticada, o sistema prevê o sentimento para cada uma dessas quatro áreas separadamente, reconhecendo que um prestador pode ser elogiado por sua habilidade, mas criticado por estar atrasado. Ao mesmo tempo, um módulo separado examina as avaliações em busca de sinais de não confiabilidade. Ele procura padrões linguísticos e pistas comportamentais, como escolhas de palavras incomuns ou frases repetitivas, para sinalizar avaliações que possam ser suspeitas ou anômalas. Avaliações que parecem críveis recebem mais peso, enquanto aquelas sinalizadas como potencialmente falsas ou manipuladas são diminuídas, garantindo que o ranking final reflita experiências genuínas dos clientes.

Os resultados desta abordagem integrada demonstram que combinar relevância com inteligência consciente da confiança melhora significamente a correspondência de serviços. O modelo de análise de sentimento previu com sucesso os sentimentos específicos por trás das avaliações com uma precisão média de quase oitenta e nove por cento, identificando corretamente se um cliente estava feliz ou insatisfeito com a qualidade, pontualidade, comunicação ou profissionalismo. O sistema que detectou avaliações falsas ou não confiáveis foi ainda mais preciso, alcançando noventa e seis por cento de precisão geral na distinção entre feedback genuíno e anomalias suspeitas. Ao fundir esses insights, a estrutura pode reclassificar a lista inicial de candidatos, promovendo aqueles com elogios fortes, críveis e específicos, enquanto rebaixa aqueles com feedback não confiável ou misto. Os pesquisadores descobriram que este processo de duas etapas, que separa a tarefa de encontrar prestadores relevantes da tarefa de verificar sua reputação, cria uma maneira mais confiável de combinar clientes com profissionais. Embora o estudo reconheça que os pesos específicos usados para combinar esses diferentes sinais foram selecionados manualmente e que testes adicionais em dados do mundo real são necessários, os achados atuais mostram que tratar a relevância e a confiança como preocupações complementares, em vez de separadas, oferece um caminho claro para os mercados de serviços online.

Resumo Técnico: Um Framework Integrado de Recomendação Híbrida e Inteligência de Avaliação Consciente de Confiança para Correspondência Confiável de Prestadores de Serviço

Declaração do Problema
Os mercados de serviços online enfrentam um desafio duplo: identificar prestadores de serviço que sejam semanticamente relevantes para a solicitação específica de um cliente e garantir que esses prestadores sejam confiáveis com base em feedbacks fidedignos. Os mecanismos existentes frequentemente dependem de uma simples correspondência de palavras-chave, o que falha em capturar a equivalência semântica (ex: "reparar cano com vazamento" vs. "consertar problema de encanamento"), ou em classificações numéricas que carecem de granularidade. Além disso, as abordagens padrão frequentemente ignoram a confiabilidade das avaliações, deixando as plataformas vulneráveis ao spam de opinião e classificações manipuladas. Consequentemente, os clientes têm dificuldade em distinguir entre prestadores que são meramente populares e aqueles que são genuinamente adequados e confiáveis para aspectos específicos do serviço, como qualidade, pontualidade, comunicação e profissionalismo.

Metodologia
O estudo propõe um framework integrado de dois estágios que separa a seleção de prestadores em correspondência de relevância e avaliação de qualidade consciente de confiança.

Estágio 1: Recomendação de Candidatos Híbrida
Este estágio filtra um grande grupo de prestadores para gerar um conjunto de candidatos relevantes usando uma fusão ponderada de três sinais distintos:

Relevância Lexical: Um modelo TF-IDF calcula a sobreposição de palavras-chave entre as solicitações dos clientes e as descrições dos prestadores.
Similaridade Semântica: Um Transformer Multilíngue (paraphrase-multilingual-MiniLM-L12-v2) gera embeddings densos para capturar o significado contextual além das correspondências exatas de palavras-chave.
Filtragem Colaborativa (CF) Baseada em Credibilidade: Um módulo de CF personalizado incorpora atributos de credibilidade do prestador (classificação média normalizada, taxa de sucesso de reserva e frequência de interação) e personaliza as pontuações com base no histórico de interação de um usuário.
Essas três pontuações são normalizadas e fundidas usando uma soma ponderada (30% TF-IDF, 35% Semântica, 35% CF) para classificar e selecionar os $K$ melhores prestadores candidatos.

Estágio 2: Inteligência de Avaliação Consciente de Confiança
Os prestadores candidatos do Estágio 1 passam por uma avaliação mais profunda usando suas avaliações associadas:

Análise de Sentimento Baseada em Aspectos (ABSA) de Tarefa Múltipla: Uma rede Bidirectional Long Short-Term Memory (Bi-LSTM) de tarefa múltipla com Atenção de Múltiplas Cabeças prevê simultaneamente o sentimento para quatro aspectos de serviço: Qualidade, Pontualidade, Comunicação e Profissionalismo. Isso permite uma avaliação granular em vez de uma única pontuação agregada.
Detecção de Credibilidade de Avaliação: Um módulo Isolation Forest não supervisionado analisa características linguísticas e comportamentais (ex: comprimento da avaliação, diversidade de palavras, uso de pontuação, atividade do avaliador) para identificar avaliações anômalas ou suspeitas.
Fusão Consciente de Confiança: As pontuações de sentimento para cada aspecto são ponderadas e agregadas. Crucialmente, essas pontuações de sentimento são multiplicadas pela pontuação de credibilidade da avaliação. Isso garante que o feedback de fontes suspeitas tenha um impacto diminuído na classificação final do prestador.
Reclassificação: As pontuações finais conscientes de confiança são agregadas ao nível do prestador para reclassificar os candidatos, retornando os prestadores mais confiáveis.

Principais Contribuições
O artigo descreve seis contribuições principais:

Uma arquitetura integrada de dois estágios para recomendação de prestador-serviço que desacopla a relevância da avaliação de confiança.
Um mecanismo de geração de candidatos híbrido combinando TF-IDF, correspondência semântica multilíngue e um sinal colaborativo de credibilidade personalizado.
Uma formulação colaborativa baseada em credibilidade que integra explicitamente classificação, sucesso de reserva, frequência de interação e histórico.
Um Bi-LSTM de Tarefa Múltipla com Atenção de Múltiplas Cabeças projetado para predição simultânea de sentimento em quatro distintos aspectos de qualidade de serviço.
Um módulo baseado em Isolation Forest para detecção de credibilidade de avaliação usando características linguísticas e comportamentais.
Um mecanismo de Fusão de Sentimento Consciente de Confiança que ajusta o sentimento por aspecto pela credibilidade da avaliação para a reclassificação do prestador.

Resultos
O framework foi avaliado utilizando 10.000 prestadores, 20.000 solicitações de usuários, 100.000 registros de interação e 25.000 avaliações de clientes através de quatorze categorias de serviço.

Recomendação Híbrida: O método híbrido superou seus componentes individuais (apenas TF-IDF, apenas BERT, apenas CF) nas métricas Precision@K e NDCG@K. A abordagem híbrida alcançou uma Precisão@5 de 0,9490 e um NDCG@5 de 0,9496.
Análise de Sentimento: O Bi-LSTM de Tarefa Múltipla alcançou uma precisão média de teste de 88,60%. O desempenho variou por aspecto, com a "Qualidade" atingindo a maior precisão (96,10%) e "Comunicação" e "Profissionalismo" atingindo 85,48%.
Detecção de Credibilidade: O módulo Isolation Forest alcançou 96% de precisão geral na distinção entre avaliações reais e suspeitas, com um F1-score ponderado de 0,96.

Significância e Alegações
Os autores alegam que o framework demonstra o valor complementar de combinar relevância, avaliação de serviço por aspecto, personalização e confiabilidade de avaliação em um pipeline unificado. O estudo postula que, embora a relevância textual seja um forte sinal de recuperação, os dados de interação histórica isoladamente são insuficientes para a recuperação primária, mas servem como um sinal complementar vital para personalização. Da mesma forma, os resultados sugerem que a qualidade do serviço não pode ser representada com precisão por um único sentimento geral; a análise por aspecto é necessária.

O artigo nota modestamente que os dois componentes foram originalmente avaliados de forma independente. Reconhece-se que um estudo de ablação de ponta a ponta controlado, comparando o framework completo contra seus subcomponentes usando métricas de classificação comuns, não foi realizado nesta integração específica. No entanto, os autores argumentam que o design de dois estágios (geração de candidatos seguida de reclassificação detalhada) é computacionalmente prático e separa efetivamente o problema de "quem é relevante?" do problema de "quem é confiável?".

Limitações e Trabalhos Futuros
Os autores identificam algumas limitações, incluindo o uso de conjuntos de dados específicos de domínio, pesos de fusão selecionados manualmente e o uso de características de engenharia para detecção de credibilidade em vez de extração de características baseada em aprendizado profundo. Trabalhos futuros são sugeridos, incluindo pesos de fusão adaptativos, modelos Transformer multilíngues para ABSA, características de credibilidade mais sofisticadas (ex: surtos temporais, grafos de revisor-prestador) e um estudo de ablação rigoroso de ponta a ponta.

Mais como este