Serie AI/ML Cold Recommendation

O Cold-Start Problem é provavelmente o mais prevalente em sistemas de recomendação , esses sistemas formam um tipo específico de filtragem de informação , que busca apresentar itens ( filmes , música , livros , notícias ,imagens , páginas web) que podem ser de interesse para o usuário.

Normalmente, um sistema de recomendação compara perfis de usuário utilizando algumas características como referência, essas características podem ser de item de informação (Recomendação baseada em conteúdo) ou do ambiente do usuário (Contextual) utilizando filtragem colaborativa.

Com a abordagem baseada em conteúdo, o sistema é capaz de combinar as características de um item com características relevantes no perfil do usuário, para fazer isso primeiro deve-se criar um modelo suficientemente detalhado de preferências e gostos de usuários por meio de preferências de elicitação. Isso pode ser feito de forma explicita ou implícita, de qualquer forma o problema de cold-start implica no usuário dedicar um certo esforço usando o sistema em seu estado “mudo”, contribuindo assim para a construção do seu perfil, antes que o sistema possa começar a fazer as recomendações inteligentes e relevantes.

Algumas das várias propostas para resolver o problema de cold-start é a aplicação de aprendizagem ativa (Machine Learning), a escolha e obtenção de mais dados para melhoria do sistema de recomendação de forma seletiva é realizada de maneira proativa em interações com o usuário, assim o sistema estima com base nos dados disponíveis os pontos (classificações) fazendo uso da estratégia de elicitação de notações.

muitas são as opções que buscam reduzir o impacto de cold start onde com exceção das informações comportamentais, todos os dados podem ser obtidos tanto dos novos visitantes quanto de usuários recorrentes.

Normalmente o primeiro passo é aplicar uma estratégia baseada em popularidade, os items podem ser determinados por tendências globais e restringidos a popularidade, regional e em determinada hora do dia.

Em seguida, como próxima etapa, você pode restringir a seleção de items exibidos para visitantes usando informações contextuais: como geoIP ou GPS de seus dispositivos móveis, Conhecendo o referenciador (de onde veio o visitante), o dispositivo (móvel, desktop), o sistema operacional (iOS, Windows, Android) e o tipo de navegador (Chrome, IE, Safari, etc) ajudarão a personalizar os items.

A informação comportamental “entra em ação” após apenas dois a três cliques durante a primeira visita do usuário. Isso é muito importante para descobrir o interesse ativo real do usuário.

Você já teve algum desafio de cold start em algum projeto ? o que você fez para resolver?