Os pesquisadores da Universidade da Califórnia (UC Riverside), nos EUA, criaram algoritmos que são capazes de recomendar produtos baseados nos hábitos de compras dos consumidores. Usando uma metodologia chamada decomposição tensorial, empregada para achar padrões em grandes volumes de dados, o sistema sugere coisas adaptadas às preferências de cada cliente.
Esses tensores são retratados como cubos multidimensionais, utilizados para modelar e verificar informações com diversos integrantes diferentes. Os dados intimamente ligados a outros fatores comuns podem ser conectados para achar padrões que não são percebidos na primeira camada de análise.
“Cada tensor possui três modos diferentes para capturar um aspecto dessa transação. Os consumidores formam um modo, enquanto o segundo e o terceiro capturam as interações produto a produto, considerando tudo o que já foi comprado antes”, disse o autor principal do projeto, o professor de ciência da computação Negin Entezar.
Utilizando uma situação hipotética, os pesquisadores analisaram três consumidores com hábitos de compra diferentes como prova do conceito. Em somente uma transação, o cliente A comprou salsicha, pão, refrigerante e mostarda. O cliente B comprou os mesmos produtos, porém, em compras separadas. E o cliente C não levou refrigerante.
No caso de um algoritmo normal com base em matriz, o cliente A é igual ao cliente B pois compra os mesmos produtos. Porém, ao utilizar a decomposição de tensores, o cliente A está intimamente mais ligado ao cliente C pois o comportamento de ambos é mais similar. Os dois levaram produtos partidos em somente uma transação, mesmo que suas compras tenham sido levemente diferentes.
“O algoritmo de recomendação típico faz previsões com base no item que o cliente acabou de comprar, enquanto a decomposição de tensores faz sugestões levando em consideração todos os produtos dentro da sacola. Se um comprador tiver comida de cachorro e manteiga de amendoim em sua cesta, mas não pão, o algoritmo vai sugerir um brinquedo de mastigar para seu pet em vez de geleia”, complementou o professor Vagelis Papalexakis, coautor do projeto.
Os tensores são estruturas multidimensionais que permitem a modelagem de dados complexos e diferentes. Ao invés de somente detectar quais produtos são adquiridos juntos, eles observam uma terceira dimensão e realizam sugestões com base nos hábitos de outros consumidores que efetuaram transações similares.
