Recomendadores generativos transformam a lógica dos sistemas de recomendação em larga escala
Os sistemas de recomendação são um dos problemas de aprendizado de máquina mais presentes na indústria de internet para o consumidor, mas tradicionalmente são difíceis de treinar e operar em grande escala. Com o avanço dos grandes modelos de linguagem, surgiu uma mudança de paradigma nessa área: em vez de usar abordagens baseadas em similaridade de representações numéricas — os chamados embeddings, que são vetores que codificam características de usuários e itens —, pesquisadores e empresas passaram a adotar um objetivo generativo, no qual a meta é prever a próxima ação ou o próximo item dentro de um catálogo extenso a partir de uma sequência de históricos de um usuário.
Os recomendadores generativos, conhecidos pela sigla GR, representam uma mudança arquitetural significativa em relação aos sistemas tradicionais. Em vez de calcular a preferência entre um usuário e um item por meio de proximidade geométrica entre vetores, eles reformulam a recomendação como um problema de modelagem de sequências, de forma semelhante ao funcionamento dos grandes modelos de linguagem. O objetivo matemático passa a ser modelar a distribuição de probabilidade do próximo item condicionado ao histórico do usuário, expresso pela fórmula P(próximo item | histórico do usuário).
Essa abordagem permite tratar a recomendação como uma tarefa sequencial, na qual o modelo aprende padrões de comportamento ao longo do tempo. Assim como um modelo de linguagem prevê a próxima palavra em uma frase, o recomendador generativo tenta prever o próximo item com o qual o usuário provavelmente vai interagir, considerando toda a sequência de ações anteriores. Essa reformulação abre caminho para o uso de arquiteturas do tipo Transformer, que são os modelos de atenção que sustentam os grandes modelos de linguagem atuais.
Entre os exemplos mais representativos dessa nova geração de modelos estão as chamadas Unidades Hierárquicas de Transdução Sequencial, conhecidas pela sigla HSTU, e os chamados Semantic IDs, ou identificadores semânticos. Essas arquiteturas foram desenvolvidas para lidar com desafios clássicos dos sistemas de recomendação, como a escalabilidade, o problema do cold start — quando um usuário ou item novo ainda não possui dados suficientes para gerar recomendações personalizadas — e a questão dos itens de cauda longa, isto é, aqueles conteúdos menos populares que representam uma parcela enorme do catálogo, mas recebem poucas interações.
Ao apostar em uma lógica generativa, os recomendadores conseguem lidar melhor com a enorme variedade de itens disponíveis em plataformas de grande porte. O uso de arquiteturas Transformer permite processar históricos longos e capturar dependências complexas entre as ações dos usuários, algo que os modelos tradicionais baseados apenas em similaridade de embeddings tinham dificuldade em fazer de forma eficiente. Isso se traduz em recomendações mais personalizadas, especialmente em catálogos muito amplos, onde a maior parte dos itens recebe pouca atenção individual.
A mudança de paradigma também traz implicações práticas para a indústria. Treinar e servir modelos generativos em escala exige infraestrutura computacional robusta e técnicas otimizadas para processar grandes volumes de dados sequenciais. Por isso, empresas que lidam com bilhões de interações diárias estão investindo nessa nova abordagem, buscando superar as limitações dos pipelines clássicos de recomendação que combinam diversas etapas, como recuperação de candidatos, ranqueamento e reordenação.
Em resumo, os recomendadores generativos marcam uma transformação na forma como sistemas de recomendação são concebidos. Ao substituir a lógica de similaridade geométrica por uma modelagem sequencial generativa, apoiada em arquiteturas como HSTU e Semantic IDs, a área avança no tratamento de problemas persistentes como escalabilidade, cold start e itens de cauda longa, redesenhando a infraestrutura de recomendação para a era dos grandes modelos de linguagem.
