Glossário IA
O dicionário completo da Inteligência Artificial
Sistemas de Recomendação com Deep Learning
Sistemas de recomendação que usam redes neurais profundas para modelar relações complexas entre usuários e itens. Esses sistemas superam os métodos tradicionais capturando interações não lineares e padrões latentes nos dados.
Camadas de Embedding
Camadas de redes neurais que transformam variáveis categóricas esparsas em vetores densos de baixa dimensão. Os embeddings capturam similaridades semânticas entre itens e usuários em um espaço vetorial contínuo.
Filtragem Colaborativa Neural
Arquitetura de rede neural que substitui modelos fatoriais tradicionais por redes neurais profundas para modelar interações usuário-item. NCF aprende funções de interação complexas além da simples multiplicação matricial.
Wide & Deep Learning
Arquitetura híbrida que combina um modelo amplo (regressão logística) para memorização e um modelo profundo (rede neural) para generalização. Essa abordagem captura efetivamente tanto padrões explícitos quanto implícitos nos dados.
DeepFM (Máquina de Fatorização Profunda)
Modelo que unifica Máquinas de Fatorização e redes neurais para aprendizado de características de baixo e alto nível simultaneamente. DeepFM compartilha embeddings entre os componentes FM e DNN, otimizando eficiência e desempenho.
Autoencoders para Recomendações
Redes neurais não supervisionadas que aprendem representações comprimidas das preferências do usuário para recomendação colaborativa. Autoencoders de denoising são particularmente eficazes para lidar com dados esparsos e ruidosos.
Recomendações Baseadas em Sessão
Sistemas de recomendação que usam redes neurais recorrentes (RNN) para modelar sequências de interações em uma sessão de usuário. Esses modelos capturam intenção temporal e contextual sem exigir perfil histórico do usuário.
Redes Neurais Grafos para Recomendações
Abordagem que representa sistemas de recomendação como grafos heterogêneos com nós de usuários, itens e atributos. GNNs propagam informações através de estruturas de grafo para capturar relações de alta ordem.
Mecanismo de Atenção em Recomendações
Mecanismo que permite aos modelos de recomendação ponderar diferentemente os elementos históricos segundo sua relevância para a previsão atual. A atenção melhora significativamente o desempenho nas recomendações sequenciais e contextuais.
Modelos Transformer para Recomendações
Arquitetura baseada nos mecanismos de atenção multi-cabeça para modelar as dependências de longa distância nas sequências de comportamento do usuário. Os Transformers superam os RNNs na captura de padrões complexos e dinâmicos.
Arquitetura de Duas Torres
Modelo dual com torres separadas para codificar as características de usuário e item em um espaço de embedding comum. Esta arquitetura escala eficientemente para milhões de itens graças ao pré-cálculo dos embeddings de itens.
Modelos de Recomendação Sequencial
Modelos de deep learning que capturam a evolução dinâmica das preferências do usuário através de sequências temporais de interações. Estas arquiteturas usam RNNs, Transformers ou GNNs para modelar as dependências sequenciais.
Rede Cruzada Profunda (Deep Cross Network)
Arquitetura especialmente projetada para aprender eficientemente as interações cruzadas explícitas de grau arbitrário entre características. DCN combina camadas cruzadas eficientes com camadas profundas para generalização.
Autoencoders Variacionais para Recomendações
Modelos gerativos probabilísticos que aprendem distribuições latentes das preferências do usuário para recomendações robustas. Os VAEs gerenciam naturalmente a incerteza e melhoram a diversidade das recomendações.
Aprendizado por Reforço para Recomendações
Abordagem que formula a recomendação como um processo de decisão de Markov otimizando recompensas de longo prazo. Os agentes de RL aprendem políticas de recomendação adaptativas maximizando o engajamento sustentável do usuário.
Aprendizado Multi-tarefa para Recomendações
Paradigma de aprendizado simultâneo de múltiplos objetivos (CTR, CVR, tempo de sessão) para melhorar a generalização e eficiência. MTL compartilha representações enquanto especializa em tarefas específicas.
Problema de Inicialização a Frio com Deep Learning
Desafio abordado por arquiteturas de deep learning que usam metadados e redes neurais para gerar embeddings iniciais. Modelos de transferência de aprendizagem e GNNs em grafos de conteúdo são particularmente eficazes.
Máquinas de Fatorização Neural
Extensão das Máquinas de Fatorização integrando redes neurais para capturar interações não lineares complexas entre características. NFM combina a eficiência do FM com o poder expressivo do deep learning.