Os algoritmos de recomendação podem tornar a experiência de compra online de um cliente mais rápida e eficiente, sugerindo produtos complementares sempre que o comprador adicionar um produto à sua cesta. O cliente comprou manteiga de amendoim? O algoritmo recomenda várias marcas de gelatina para adicionar em seguida.
Esses algoritmos geralmente funcionam associando itens comprados a itens que outros compradores compraram com frequência junto com eles. Se os hábitos, gostos ou interesses do comprador se assemelharem aos dos clientes anteriores, essas recomendações podem economizar tempo, refrescar a memória e ser uma adição bem-vinda à experiência de compra.

Mas e se o cliente estiver comprando manteiga de amendoim para encher um brinquedo de cachorro ou atrair uma ratoeira? E se o comprador preferir mel ou banana com manteiga de amendoim? O algoritmo de recomendação oferecerá sugestões menos úteis, custando uma venda ao varejista e potencialmente irritando o cliente.

Nova pesquisa liderada por Negin Entezari, que recentemente recebeu um doutorado em ciência da computação na UC Riverside, colaboradores da Instacart e seu orientador de doutorado Vagelis Papalexakis, traz uma metodologia chamada decomposição tensorial - usada por cientistas para encontrar padrões em grandes volumes de dados - em o mundo do comércio para recomendar produtos complementares mais cuidadosamente adaptados às preferências do cliente.

Os tensores podem ser representados como cubos multidimensionais e são usados ​​para modelar e analisar dados com muitos componentes diferentes, chamados de dados multiaspectos. Dados intimamente relacionados a outros dados podem ser conectados em um arranjo de cubos e relacionados a outros cubos para descobrir padrões nos dados.

"Os tensores podem ser usados ​​para representar os comportamentos de compra dos clientes", disse Entezari. "Cada modo de um tensor de 3 modos pode capturar um aspecto de uma transação. Os clientes formam um modo do tensor e o segundo e o terceiro modo capturam as interações produto a produto considerando produtos adquiridos em uma única transação."

Por exemplo, três compradores hipotéticos — A, B e C — fazem as seguintes compras:

• R:Compra cachorro-quente, pão de cachorro-quente, Coca-Cola e mostarda em uma única transação.
• B:Faz três transações separadas:Cesta 1:Cachorros-quentes e pães de cachorro-quente; Cesta 2:Coca-Cola; Cesta 3:Mostarda
• C:cachorro-quente, pão de cachorro-quente e mostarda em uma transação.

Para um algoritmo convencional baseado em matriz, o Cliente A é idêntico ao Cliente B porque comprou os mesmos itens. Usando a decomposição de tensores, no entanto, o Cliente A está mais intimamente relacionado ao Cliente C porque seu comportamento era semelhante. Ambos tiveram produtos semelhantes comprados em uma única transação, embora suas compras tenham sido ligeiramente diferentes.

O algoritmo de recomendação típico faz previsões com base no item que o cliente acabou de comprar, enquanto a decomposição do tensor pode fazer recomendações com base no que já está na cesta inteira do usuário. Assim, se um comprador tiver comida de cachorro e manteiga de amendoim em sua cesta, mas nenhum pão, um algoritmo de recomendação baseado em tensor pode sugerir um brinquedo de mastigar para cachorro em vez de geleia se outros usuários também tiverem feito essa compra.

"Os tensores são estruturas multidimensionais que permitem a modelagem de dados complexos e heterogêneos", disse Papalexakis, professor associado de ciência da computação e engenharia. "Em vez de simplesmente perceber quais produtos são comprados juntos, há uma terceira dimensão. Esses produtos são comprados por esse tipo de usuário e o algoritmo tenta determinar quais tipos de usuários estão criando essa correspondência."

Para testar seu método, Entezari, Papalexakis e os coautores Haixun Wang, Sharath Rao e Shishir Kumar Prasad, todos pesquisadores da Instacart, usaram um conjunto de dados público da Instacart para treinar seu algoritmo. Eles descobriram que seu método superou os métodos de última geração para prever recomendações de produtos complementares específicas do cliente. Embora seja necessário mais trabalho, os autores concluem que a decomposição do tensor de big data também pode encontrar um lar nas grandes empresas.

"Os métodos tensores, embora sejam ferramentas muito poderosas, ainda são mais populares na pesquisa acadêmica no que diz respeito aos sistemas de recomendação", disse Papalexakis. "Para que a indústria os adote, devemos demonstrar que vale a pena e é relativamente indolor substituir o que eles têm que já funciona."

Embora pesquisas anteriores tenham mostrado os benefícios da modelagem tensorial em problemas de recomendação, a nova publicação é a primeira a fazê-lo no cenário de recomendação complementar de itens, aproximando os métodos tensoriais da adoção industrial e da transferência de tecnologia no contexto de sistemas de recomendação.

"Os métodos de tensor já foram adotados com sucesso pela indústria antes, com quimiometria e qualidade de alimentos sendo ótimos exemplos, e cada tentativa como o nosso trabalho demonstra a versatilidade dos métodos de tensor em ser capaz de lidar com uma ampla gama de problemas desafiadores em diferentes domínios", disse Papalexakis.

O documento "Recomendação de produto complementar baseado em tensor" foi apresentado no IEEE Big Data 2021.