Por que o cold start é um problema
Sistemas de recomendação geralmente utilizam filtragem colaborativa, fatoração de matrizes ou modelos de deep learning para gerar conjuntos de candidatos. Todas essas abordagens dependem de uma matriz de interação entre usuários e itens. Como novos usuários e itens são adicionados constantemente, o sistema não possui dados históricos de interação suficientes para fornecer recomendações precisas ou direcionar esses itens aos usuários adequados. Esse cenário caracteriza o problema de cold start. Os algoritmos existentes nas etapas de recall, classificação grosseira e classificação fina dependem excessivamente de dados acumulados de comportamento do usuário, escassos para novas entidades. Consequentemente, novos itens recebem exposição limitada e o sistema não consegue modelar com precisão os interesses de novos usuários.
Para alguns negócios, recomendar prontamente novos itens e garantir exposição adequada é vital para o ecossistema da plataforma e para a receita de longo prazo. No setor de notícias, a exposição tardia diminui drasticamente o valor de uma reportagem. Em plataformas de conteúdo gerado pelo usuário (UGC), a baixa exposição de novo conteúdo desmotiva criadores e reduz a qualidade do material. Já em plataformas de namoro, a atenção insuficiente para novos usuários dificulta o crescimento e leva à estagnação.
O problema de cold start representa um desafio crítico em sistemas de recomendação. A seção a seguir descreve abordagens comuns para solucioná-lo.
Como resolver o problema de cold start
Algoritmos e estratégias de cold start podem ser resumidos por um mnemônico de quatro palavras: "Generalizar, Rápido, Transferir, Pouco".
-
Generalizar: Mapeie um novo item para atributos ou tópicos mais amplos. Por exemplo, recomende um novo produto para usuários que curtiram itens da mesma categoria, elevando o nível de "produto" para "categoria". Recomende um novo vídeo curto para os seguidores do criador, passando de "vídeo curto" para "criador". Recomende um novo artigo para usuários interessados no mesmo tópico, como exibir um artigo sobre o caça J-20 para um entusiasta militar, mudando de "artigo de notícia" para "tópico". Trata-se essencialmente de recomendação baseada em conteúdo. Generalizar para múltiplos conceitos de nível superior simultaneamente costuma gerar melhores resultados. Um novo produto pode ser associado à sua "categoria", "marca", "loja", "estilo" e "cor". Às vezes, esses conceitos são inerentes ao item — um comerciante normalmente fornece atributos do produto ao cadastrá-lo. Em outros casos, é necessário descobri-los, por exemplo, usando um algoritmo para classificar um artigo como "militar", "esportes" ou "beleza".
Outra técnica comum associa interesses de usuários a itens calculando a distância ou similaridade entre vetores de embedding. Modelos de fatoração de matrizes e deep learning podem gerar esses vetores, mas modelos convencionais ainda dependem de dados de interação e não generalizam bem para cenários de cold start. Alguns modelos foram projetados especificamente para geração de embeddings em cold start, como o descrito em Análise Aprofundada e Melhoria do Modelo DropoutNet para Recomendações de Cold Start.
Embora esse método pareça simples, ele possui profundidade significativa. O uso do conteúdo e dos atributos de um item compensa a falta de interações históricas. Por exemplo, aproveite informações multimodais, como imagens ou vídeos, para recomendações relacionadas. Em uma plataforma de namoro, pontue as fotos de um novo usuário quanto à atratividade e recomende-o para usuários que preferem esse nível de atratividade.
Rápido: A velocidade é uma vantagem decisiva na recomendação. Itens em cold start não possuem interações históricas de usuários por definição; portanto, uma solução natural é coletar dados de interação mais rapidamente e alimentá-los no sistema. Enquanto modelos e dados convencionais costumam ter atualizações diárias, o processamento em tempo real permite atualizações no nível de minutos ou até segundos. Esses métodos baseiam-se tipicamente em reinforcement learning ou no algoritmo contextual bandit. Para mais detalhes, consulte Implementação e Aplicação do Algoritmo Contextual Bandit em Sistemas de Recomendação.
Transferir: O transfer learning usa dados de diferentes cenários para construir modelos, transferindo conhecimento de um domínio source para um domínio alvo. Por exemplo, ao lançar um novo serviço com dados limitados, utilize dados de um serviço estabelecido para construir o modelo inicial. Outro exemplo é uma plataforma de e-commerce cross-border: se um novo site de país tiver dados de interação limitados, treine um modelo com dados de um site maduro e faça o fine-tuning com a pequena amostra do novo site para melhorar significativamente o desempenho de cold start. Para que o transfer learning seja eficaz, os domínios source e alvo devem ser suficientemente relacionados — idealmente, os sites devem vender um grande número de produtos sobrepostos.
Pouco: O few-shot learning treina modelos com apenas uma pequena quantidade de dados supervisionados. Um método típico de few-shot é o meta-learning. Para mais informações, consulte Um Modelo de Recomendação de Cold Start Baseado em Meta-Learning.