Sistemas de Recomendação: Como Funcionam, Tipos e Exemplos

O que são sistemas de recomendação?

Um sistema de recomendação é um conjunto de métodos que estima a utilidade de itens para uma pessoa, sessão ou contexto e apresenta uma lista ordenada. “Item” pode ser um produto, vídeo, notícia, curso, vaga, restaurante ou qualquer opção disponível em um catálogo.

A previsão costuma responder a perguntas como: “qual item tem maior chance de interessar?”, “qual será consumido até o fim?” ou “qual ajuda o usuário a concluir sua tarefa?”. Segundo a visão introdutória do Google Developers sobre sistemas de recomendação, os modelos usam informações sobre itens, usuários e interações para prever preferências e selecionar sugestões.

O objetivo escolhido é decisivo. Maximizar cliques não é igual a aumentar satisfação, retenção, descoberta ou valor de longo prazo. Duas plataformas com os mesmos dados podem produzir listas muito diferentes porque otimizam resultados diferentes.

Recomendação, busca e ranking: qual é a diferença?

Na busca, a pessoa expressa uma intenção por meio de uma consulta. O sistema tenta recuperar documentos ou produtos relacionados àquela consulta. Na recomendação, a intenção pode estar implícita: o sistema usa histórico, perfil, sessão e contexto para escolher o que exibir mesmo sem uma pesquisa explícita.

Ranking é a etapa que ordena candidatos em ambos os casos. Uma busca semântica, por exemplo, pode recuperar itens parecidos com o significado da consulta; o ranqueador combina essa relevância com disponibilidade, qualidade, popularidade ou preferências pessoais. Na prática, busca e recomendação frequentemente compartilham infraestrutura.

Quais dados alimentam as recomendações?

Os dados podem ser explícitos ou implícitos. Avaliações por estrelas, curtidas, escolhas de temas e respostas a pesquisas são sinais explícitos. Cliques, visualizações, tempo de permanência, adições ao carrinho, compras, repetições, pulos e ocultações são sinais implícitos.

O material do Google sobre filtragem colaborativa destaca essa distinção. Porém, um clique não comprova preferência: pode ocorrer por posição na tela, curiosidade ou título chamativo. Da mesma forma, não clicar em algo que nunca recebeu exposição não equivale a rejeitá-lo.

• Dados do item: categoria, descrição, preço, gênero, autor, duração e disponibilidade.
• Dados de interação: visualizações, compras, avaliações, sequência e frequência.
• Contexto: horário, dispositivo, localização aproximada, página atual e etapa da jornada.
• Dados do usuário: preferências declaradas e histórico autorizado, com coleta proporcional à finalidade.
• Sinais de qualidade: devoluções, denúncias, indisponibilidade, confiabilidade e satisfação posterior.

Antes de modelar, é preciso definir significado, origem, janela de tempo e qualidade de cada evento. Um log inconsistente pode comprometer um modelo sofisticado.

Como funciona um sistema de recomendação?

Em uma implementação típica, eventos são coletados, tratados e convertidos em atributos. Depois, o sistema procura um conjunto reduzido de candidatos, atribui pontuações, reorganiza a lista conforme regras adicionais e entrega o resultado. Novas interações retornam ao ciclo para treinamento e avaliação.

1. Coleta: registra eventos com identificadores, horário e contexto.
2. Preparação: remove duplicidades, trata dados faltantes e cria atributos consistentes.
3. Recuperação: seleciona centenas ou milhares de candidatos a partir de um catálogo muito maior.
4. Ranking: estima uma pontuação para cada candidato.
5. Re-ranking: aplica diversidade, frescor, segurança, disponibilidade e regras do produto.
6. Entrega: serve a lista dentro do limite de latência.
7. Feedback: mede exposição, ação e resultado para aperfeiçoar o sistema.

Esse ciclo aproxima sistemas de recomendação de outros projetos de machine learning: dados e objetivo vêm antes do algoritmo, e o desempenho em produção precisa ser observado continuamente.

Principais tipos de sistemas de recomendação

Método	Dados principais	Ponto forte	Limitação frequente
Baseado em conteúdo	Atributos dos itens e histórico individual	Explicável e útil para itens novos	Pode repetir opções muito parecidas
Colaborativo	Interações entre usuários e itens	Descobre padrões além dos metadados	Sofre com início a frio e esparsidade
Híbrido	Conteúdo, interações e contexto	Combina sinais e reduz fragilidades	Maior complexidade operacional
Popularidade e regras	Contagens, recência e critérios do negócio	Simples, rápido e ótimo como referência	Pouca personalização

Filtragem baseada em conteúdo

Esse método representa cada item por características e recomenda itens semelhantes aos que a pessoa já demonstrou apreciar. Em filmes, entram gênero, elenco e descrição; em produtos, categoria, marca, faixa de preço e texto. A semelhança pode ser calculada com atributos estruturados ou vetores.

A vantagem é conseguir indicar um item recém-cadastrado, desde que seus atributos estejam disponíveis. A limitação é a “superespecialização”: se o histórico contém apenas suspense, o sistema pode deixar de oferecer descobertas relevantes de outros gêneros.

Filtragem colaborativa

A filtragem colaborativa explora padrões coletivos. Se pessoas com comportamentos parecidos interagiram positivamente com determinados itens, esses itens podem ser sugeridos umas às outras. A abordagem pode trabalhar com vizinhança entre usuários ou itens, fatoração de matrizes e modelos que aprendem representações latentes.

Essas representações capturam afinidades que não estavam descritas nos metadados. Contudo, exigem volume e cobertura de interações. Usuários novos, itens novos e catálogos com poucas ações formam o problema conhecido como início a frio.

Sistemas híbridos

Sistemas híbridos combinam fontes. Um modelo pode recuperar candidatos por conteúdo e colaboração, unir as listas e usar outro modelo para ordenar tudo. Também é possível reservar posições para itens recentes, usar popularidade para visitantes anônimos e migrar para personalização quando surgem sinais suficientes.

Essa combinação costuma ser mais robusta porque nenhuma técnica resolve todos os cenários. O custo é administrar mais modelos, atributos, regras e caminhos de contingência.

Outros métodos importantes

• Baseados em sessão: usam a sequência atual, úteis quando não há identificação persistente.
• Sensíveis ao contexto: consideram momento, dispositivo, localização aproximada ou etapa da jornada.
• Sequenciais: modelam a ordem dos eventos, não apenas o conjunto de itens consumidos.
• Baseados em conhecimento: aplicam restrições e necessidades declaradas, comuns em compras raras e de alto valor.
• Bandits: equilibram explorar alternativas e aproveitar opções já promissoras.

Embeddings e arquitetura em dois estágios

Embeddings representam usuários, consultas e itens como vetores numéricos. Objetos próximos nesse espaço tendem a compartilhar características ou padrões de interação. Em um modelo de duas torres, uma rede produz o vetor da consulta ou do usuário e outra produz o vetor do item; a proximidade ajuda a recuperar candidatos rapidamente.

O tutorial oficial do TensorFlow Recommenders sobre recuperação mostra esse desenho com modelos separados para consultas e candidatos. Em grande escala, os vetores dos itens podem ser indexados em um banco de dados vetorial ou mecanismo de busca aproximada.

Embeddings não eliminam a necessidade de bons dados. Eles podem carregar vieses das interações observadas, envelhecer com mudanças de comportamento e representar exposição anterior como se fosse preferência espontânea.

Recuperação, ranking e re-ranking

A recuperação privilegia cobertura e velocidade: precisa encontrar bons candidatos sem pontuar todo o catálogo. Pode combinar vizinhos vetoriais, itens populares, semelhantes ao conteúdo atual, novidades e regras editoriais.

O ranking trabalha com um conjunto menor e usa mais atributos para estimar a chance de uma ação ou o valor esperado. Modelos baseados em árvores, regressões e redes neurais são alternativas, conforme volume, latência e complexidade.

Por fim, o re-ranking ajusta a composição. Ele pode remover itens indisponíveis, limitar repetições da mesma categoria, aumentar frescor, aplicar requisitos de segurança e garantir diversidade. O conhecido trabalho do Google Research sobre recomendações no YouTube descreve uma arquitetura de geração de candidatos seguida por ranking.

Exemplo prático em um e-commerce

Imagine uma loja com 500 mil produtos. Na página de um tênis, um gerador por conteúdo encontra itens da mesma categoria e faixa de preço. Um modelo colaborativo adiciona produtos vistos ou comprados por pessoas com jornadas semelhantes. Uma fonte de popularidade inclui tendências recentes.

O sistema reúne os candidatos, exclui produtos sem estoque e calcula uma pontuação com afinidade, preço, recência, prazo de entrega e probabilidade de compra. O re-ranking evita dez opções quase idênticas e reserva espaço para alternativas relevantes. Se a pessoa ocultar uma sugestão, esse feedback deve ser registrado.

Para um visitante novo, a loja pode começar com tendências por contexto e perguntas simples de preferência. Conforme as interações surgem, aumenta a personalização. Esse fallback é mais seguro do que forçar previsões frágeis.

Principais desafios

• Início a frio: falta de histórico para novos usuários e itens.
• Esparsidade: a maioria das pessoas interage com uma fração mínima do catálogo.
• Viés de popularidade: itens já expostos recebem mais ações e voltam a ser promovidos.
• Ciclo de feedback: o sistema aprende com escolhas que ele próprio ajudou a criar.
• Deriva: gostos, catálogo, sazonalidade e contexto mudam.
• Latência: uma lista excelente que chega tarde pode ser inútil.
• Atribuição: nem toda ação após uma recomendação foi causada por ela.
• Objetivos conflitantes: satisfação, receita, retenção, segurança e diversidade podem apontar em direções diferentes.

Para reduzir esses riscos, registre também exposições, mantenha grupos de controle, compare com baselines simples, monitore segmentos e atualize modelos com uma cadência compatível com a mudança do domínio.

Como avaliar offline

A avaliação offline separa interações históricas em treino, validação e teste, respeitando o tempo para evitar usar o futuro na previsão do passado. Ela permite comparar versões rapidamente, mas não reproduz totalmente a resposta humana nem o efeito da interface.

Métrica	Pergunta respondida	Cuidado
Precision@K	Quantos itens do topo foram relevantes?	Pode favorecer listas conservadoras
Recall@K	Quanto dos itens relevantes foi recuperado?	Depende do conjunto observado
NDCG@K	Os itens relevantes ficaram nas primeiras posições?	Exige definir ganhos por relevância
Cobertura	Que parte do catálogo ou público recebeu recomendações?	Alta cobertura não garante utilidade
Diversidade	Os itens da lista são diferentes entre si?	Precisa de uma noção adequada de distância

Compare o modelo com popularidade, recência e regras existentes. Se uma solução complexa não supera um baseline simples com margem consistente, o custo adicional talvez não se justifique.

Como avaliar online

Testes A/B distribuem usuários elegíveis entre versões e medem efeitos no produto real. A métrica principal deve representar o objetivo: conclusão de consumo, compra válida, satisfação ou retenção, e não automaticamente a taxa de cliques.

Também são necessárias métricas de proteção: cancelamentos, devoluções, ocultações, denúncias, latência, erros, concentração de exposição e desempenho entre segmentos. Um ganho imediato pode esconder fadiga ou perda de confiança no longo prazo.

Antes de um experimento amplo, use testes de integração, simulação, lançamento interno, pequena porcentagem de tráfego e critérios de reversão. A decisão deve considerar significância, tamanho do efeito e impacto prático.

Diversidade, novidade e justiça

Precisão mede apenas parte da experiência. Diversidade reduz redundância dentro da lista. Novidade apresenta itens ainda desconhecidos. Serendipidade representa descobertas inesperadas, mas pertinentes. Frescor evita que o sistema fique preso ao passado.

Justiça exige examinar quem recebe oportunidades, quem ganha exposição e onde os erros se concentram. Isso não se resolve com uma única métrica universal: depende do domínio e das consequências. Uma plataforma de entretenimento e um recomendador de vagas enfrentam riscos muito diferentes.

A análise deve integrar princípios de ética na inteligência artificial, revisão humana e monitoramento por segmentos. Otimizar a média pode ocultar resultados ruins para grupos menores.

Privacidade, transparência e controle

Coletar mais dados não significa recomendar melhor. A equipe deve limitar a coleta ao necessário, documentar finalidades, proteger identificadores, definir retenção e controlar acesso. Dados sensíveis merecem tratamento especialmente rigoroso e não devem ser inferidos sem base legítima.

Explicações simples — “porque você assistiu a…” ou “semelhante ao item visto” — ajudam a pessoa a interpretar a lista. Controles para ocultar, redefinir histórico, ajustar temas e desativar personalização transformam transparência em ação.

O programa de pesquisa da Netflix sobre recomendações ilustra como personalização, experiência e comportamento de consumo formam uma área multidisciplinar. Em qualquer empresa, produto, dados, engenharia, segurança, jurídico e atendimento precisam compartilhar decisões.

Arquitetura de produção

Uma arquitetura madura separa processamento offline e entrega online. Pipelines offline consolidam eventos, criam atributos, treinam modelos, avaliam versões e calculam vetores. Serviços online recebem o contexto, recuperam candidatos, buscam atributos atualizados, ranqueiam e entregam a lista.

• Catálogo: fonte confiável de itens, atributos e disponibilidade.
• Plataforma de eventos: registra exposição e interação com esquema versionado.
• Feature store: mantém atributos consistentes entre treino e inferência.
• Índice: recupera candidatos por filtros, texto ou similaridade vetorial.
• Serviço de ranking: calcula pontuações dentro do orçamento de latência.
• Cache e fallback: preservam disponibilidade quando componentes falham.
• Observabilidade: monitora dados, modelo, latência, cobertura e resultados.

Versionar dados, atributos, código e modelo torna resultados reproduzíveis. Uma implantação gradual e reversível reduz o impacto de erros. Além disso, o sistema precisa de uma lista segura de fallback: popularidade por categoria, itens editoriais ou regras conhecidas.

Como criar um MVP

Uma pequena empresa não precisa começar com aprendizado profundo. Um MVP pode combinar itens populares recentes, semelhança por categoria e regras de disponibilidade. O mais importante é medir exposição e resultado corretamente.

1. Escolha uma superfície, como “produtos relacionados” na página de detalhe.
2. Defina uma ação de sucesso e duas métricas de proteção.
3. Crie um baseline simples e auditável.
4. Registre impressão, posição, clique e resultado final.
5. Separe usuários, itens e eventos no tempo para avaliar sem vazamento.
6. Teste a solução com uma parcela pequena do tráfego.
7. Adicione personalização somente quando houver dados e benefício comprovado.

Essa sequência cria uma base confiável. Modelos mais avançados entram quando o catálogo, o volume e a oportunidade justificam o investimento.

Erros comuns

• Otimizar apenas cliques: títulos chamativos podem vencer sem gerar satisfação.
• Ignorar exposição: interpretar ausência de clique em item não exibido como preferência negativa.
• Treinar com o futuro: vazamento temporal produz métricas irreais.
• Não ter baseline: impede saber se a complexidade acrescenta valor.
• Confundir correlação e causa: uma compra posterior não prova efeito da recomendação.
• Esquecer o catálogo: itens duplicados, sem estoque ou com atributos ruins degradam a experiência.
• Sem fallback: uma falha do modelo vira uma página vazia ou inadequada.
• Sem controle do usuário: recomendações erradas persistem e reduzem confiança.

Checklist de implementação

• Objetivo do produto e métrica principal estão documentados?
• Impressões, posições, ações e resultados têm eventos consistentes?
• Existe baseline simples, fallback e estratégia para início a frio?
• A divisão de treino e teste respeita tempo e identidade?
• Latência, falhas, deriva e qualidade dos dados são monitoradas?
• Diversidade, cobertura, segurança e segmentos são avaliados?
• Coleta, retenção e acesso a dados seguem a finalidade definida?
• O usuário consegue entender e ajustar a personalização?
• O lançamento é gradual e pode ser revertido?
• Há responsáveis por modelo, dados, produto e incidentes?

Perguntas frequentes

Todo sistema de recomendação usa inteligência artificial?

Não. Listas por popularidade, regras editoriais e filtros podem recomendar sem um modelo de aprendizado de máquina. Muitas soluções eficazes combinam regras simples e modelos preditivos.

Um pequeno negócio precisa de muitos dados?

Não para começar. Categoria, recência, disponibilidade e popularidade já permitem um baseline. A personalização deve crescer quando o volume de interações for suficiente para avaliá-la.

Qual é a diferença entre filtragem colaborativa e baseada em conteúdo?

A baseada em conteúdo compara características dos itens com o histórico individual. A colaborativa encontra padrões nas interações de muitas pessoas, mesmo quando os itens não parecem semelhantes pelos metadados.

Por que algumas recomendações ficam repetitivas?

Isso pode ocorrer quando o modelo explora pouco, privilegia popularidade ou otimiza apenas precisão imediata. Re-ranking, diversidade, novidade e controles de preferência ajudam a ampliar a lista.

Como saber se uma recomendação funciona?

Combine avaliação offline, teste online e métricas de proteção. O resultado deve superar um baseline, melhorar o objetivo real do produto e não piorar segurança, diversidade, confiança ou experiência de segmentos.

Conclusão

Sistemas de recomendação são mais do que algoritmos de similaridade. Eles formam um produto de dados completo: coletam sinais, recuperam candidatos, ranqueiam, reorganizam, entregam e aprendem com novas interações.

A melhor solução não é necessariamente a mais complexa. É aquela que resolve um objetivo claro, supera uma referência simples, responde dentro do tempo necessário e equilibra relevância com diversidade, privacidade, segurança e controle. Com dados confiáveis, avaliação cuidadosa e evolução gradual, recomendações podem reduzir esforço e facilitar descobertas sem transformar personalização em uma caixa-preta.