O que é mesmo um sistema de recomendação?

Você sabe quando a Netflix sugere um programa e você pensa: “Como ele sabia?” Ou quando a Amazon mostra produtos que são estranhamente perfeitos para você? Esse é um sistema de recomendação em funcionamento. É basicamente um software que analisa o que você (e pessoas como você) fizeram no passado e usa isso para adivinhar o que você provavelmente desejará em seguida.

A boa notícia? Você não precisa ser Netflix para construir um. Se você é um desenvolvedor solo que está criando um aplicativo, um blog ou uma loja on-line, pode adicionar recomendações para fazer com que seus usuários voltem sempre. Vamos detalhar como essas coisas realmente funcionam, em inglês simples, com exemplos reais que você pode seguir.

As duas abordagens principais (com exemplos reais)

Na verdade, existem apenas duas ideias centrais por trás de cada sistema de recomendação. Depois de entendê-los, todo o resto será apenas variações do tema.

1. Filtragem Colaborativa: "Pessoas como você também gostaram..."

Esta abordagem analisa o que usuários semelhantes fizeram. Não importao queo conteúdo realmente é. Ele apenas percebe padrões de comportamento.

Exemplo do mundo real:Digamos que você esteja criando um aplicativo de resenha de livros. O usuário A adorou os livros 1, 2 e 3. O usuário B adorou os livros 1 e 2, mas ainda não viu o livro 3. A filtragem colaborativa diz: "O usuário B provavelmente também adorará o livro nº 3, porque tem o mesmo gosto do usuário A."

É exatamente assim que funciona a playlist “Discover Weekly” do Spotify. Ele encontra usuários com hábitos de audição semelhantes aos seus e recomenda músicas que eles adoraram e que você ainda não ouviu.

2. Filtragem baseada em conteúdo: "Porque você gostou desta coisa específica..."

Essa abordagem analisa as características reais com as quais o usuário interagiu e, em seguida, encontra mais coisas com características semelhantes.

Exemplo do mundo real:Você está criando um aplicativo de receitas. Um usuário continua salvando receitas de massas vegetarianas que levam menos de 30 minutos. A filtragem baseada em conteúdo recomendaria outros pratos rápidos de massa vegetariana, mesmo que nenhum outro usuário os tenha experimentado ainda, porque oingredientes e atributoscorresponda ao que este usuário claramente prefere.

A barra lateral “Vídeos relacionados” do YouTube funciona dessa maneira. Ele analisa as tags, o título e a categoria do que você está assistindo e, em seguida, encontra vídeos com atributos semelhantes.

Dois tipos de sistemas de recomendação

👥

Filtragem Colaborativa
"Usuários como você também gostaram..." (Spotify, Amazon)

🔍

Filtragem Baseada em Conteúdo
“Porque este item tem características semelhantes…” (YouTube, Netflix)

🧪

Híbrido (melhor de ambos)
Combine ambos para obter melhores resultados (o que a maioria dos grandes aplicativos faz)

📈

Baseado em popularidade (início mais fácil)
"Mais populares desta semana" - não são necessários dados do usuário

⏱️

Atualizações em tempo real
Adapte-se instantaneamente à medida que os usuários interagem com seu aplicativo

E quanto às incorporações? (É mais simples do que parece)

Você ouvirá muito o termo "incorporação" em tutoriais de sistemas de recomendação. Parece intimidante, mas a ideia é extremamente simples.

Pense assim: imagine que cada usuário e cada item do seu aplicativo sejam colocados em um mapa gigante. Usuários que gostam de coisas semelhantes acabam juntos no mapa. Itens semelhantes também ficam próximos. Uma "incorporação" são apenas as coordenadas (a localização) de um usuário ou item nesse mapa.

Exemplo do mundo real:Em um aplicativo de música, um usuário que ouve jazz, blues e soul seria colocado próximo a esses gêneros no mapa. Um usuário que ouve metal e punk estaria em uma área completamente diferente. Quando um novo álbum de jazz é lançado, o sistema verifica quais usuários estão “próximos” do jazz no mapa e o recomenda a eles.

Por que isso é importante se você estiver criando um aplicativo sozinho

Se você é um desenvolvedor solo, adicionar até mesmo um sistema de recomendação simples pode ser uma virada de jogo para manter os usuários engajados. Aqui está o porquê:

Os usuários permanecem por mais tempo.Quando as pessoas veem conteúdo que parecem escolhidos pessoalmente para elas, elas passam mais tempo em seu aplicativo. Pense em como você continua navegando no TikTok porque ele mostra exatamente o que você gosta.
Os usuários descobrem mais do seu conteúdo.Se você tiver um blog com 200 postagens, a maioria dos visitantes verá apenas as últimas. Uma seção “Você também pode gostar” pode trazer à tona postagens mais antigas que ainda são relevantes para cada leitor.
Os usuários voltam com mais frequência.Resumos personalizados por e-mail ("Aqui estão as novidades com base em seus interesses") dão às pessoas um motivo para retornar. É assim que o Medium mantém você clicando nos artigos.

Como realmente construir um (passo a passo)

Aqui está um roteiro prático que não irá sobrecarregá-lo:

Comece rastreando o que os usuários fazem.Antes de poder recomendar qualquer coisa, você precisa de dados. Acompanhe cliques, curtidas, salvamentos, tempo gasto nas páginas, compras, o que fizer sentido para seu aplicativo. Mesmo uma tabela de banco de dados simples comoID_do_usuário | item_id | ação | carimbo de data/horaé o suficiente para começar.
Comece com a abordagem mais simples.Não vá direto para o aprendizado de máquina. Comece com “itens mais populares” ou “usuários que compraram X também compraram Y”. Para um aplicativo pequeno, algumas consultas SQL podem gerar recomendações surpreendentemente boas.
Vá para uma biblioteca quando estiver pronto.PythonBiblioteca surpresatorna a filtragem colaborativa extremamente simples. Você pode ter um modelo de recomendação funcional em cerca de 20 linhas de código.Recomendadores do TensorFlowé ótimo se você quiser se aprofundar.
Mantenha-o atualizado.As recomendações ficam obsoletas rapidamente. Configure um trabalho semanal para treinar novamente seu modelo com novos dados. O gosto do usuário em janeiro pode ser completamente diferente em março.

Se você não quiser construí-lo sozinho, os serviços gerenciados podem cuidar do trabalho pesado.AWS Personalizepermite que você alimente seus dados e receba recomendações por meio de uma API.IA de recomendações do Googlefaz a mesma coisa. Ambos têm níveis gratuitos que são generosos o suficiente para aplicativos pequenos.

Construindo seu primeiro sistema de recomendação

Rastreie as ações do usuário

Registre cliques, curtidas, compras e tempo gasto

Comece simples

"Mais popular" ou "também comprado" com consultas SQL básicas

Adicionar uma biblioteca

Use os recomendadores surpresa ou TensorFlow do Python

Retreinar semanalmente

Mantenha as recomendações atualizadas conforme as preferências dos usuários mudam

Avalie o que funciona

Acompanhe as taxas de cliques em suas recomendações

Principais conclusões

Você não precisa ser um cientista de dados.Uma simples consulta “pessoas que gostaram de X também gostaram de Y” pode fazer maravilhas para um aplicativo pequeno.
Comece com o que você tem.Mesmo os dados básicos de cliques são suficientes para fornecer recomendações úteis.
Existem ferramentas gratuitas que fazem o trabalho pesado.Bibliotecas como Surprise e serviços gerenciados como AWS Personalize têm níveis gratuitos perfeitos para desenvolvedores individuais.
Mantenha-o atualizado.Treine novamente seu modelo regularmente. Recomendações obsoletas são piores do que nenhuma recomendação.
Meça o impacto.Acompanhe se os usuários realmente clicam em suas recomendações. Caso contrário, ajuste sua abordagem.

Conclusão

Os sistemas de recomendação não são apenas para gigantes da tecnologia com enormes equipes de engenharia. Como desenvolvedor solo, você pode começar com algo tão simples como "o mais popular desta semana" e gradualmente avançar até sugestões personalizadas baseadas em dados reais de usuários. As ferramentas são gratuitas, as bibliotecas são adequadas para iniciantes e o impacto no envolvimento do usuário pode ser enorme.

A chave é apenas começar. Rastreie o comportamento do usuário, tente uma abordagem simples e repita a partir daí. Seus usuários notarão a diferença.

Para ler mais, confiraGuia de sistemas de recomendação do Google, AWS Personalize, e oDocumentação surpresa da biblioteca.