Glossário IA
O dicionário completo da Inteligência Artificial
Recomendação Sequencial
Abordagem de sistemas de recomendação que modela a ordem cronológica das interações do usuário para prever os próximos interesses. Ao contrário dos métodos tradicionais, ela captura as dependências temporais e a evolução das preferências.
Recomendação Baseada em Sessão
Subdomínio da recomendação sequencial que se concentra nas interações dentro de uma única sessão do usuário. Não requer histórico de longo prazo e baseia-se no comportamento imediato para gerar recomendações relevantes.
Processo de Decisão de Markov
Modelo matemático formal para tomada de decisão sequencial onde os estados futuros dependem apenas do estado atual e da ação realizada. Aplicado a sistemas de recomendação para modelar as transições entre os itens.
GRU4Rec
Arquitetura de rede neural recorrente baseada em Gated Recurrent Units (GRU) especificamente projetada para recomendação baseada em sessão. Utiliza mecanismos de atenção e técnicas de amostragem para melhorar o desempenho em dados sequenciais.
BERT4Rec
Modelo de recomendação sequencial adaptado da arquitetura BERT que usa transformers bidirecionais para capturar dependências contextuais. Aplica mascaramento de itens como tarefa de pré-treinamento para aprender representações sequenciais robustas.
Recomendação Baseada em Transformer
Classe de modelos que usa a arquitetura Transformer para capturar dependências de longa distância nas sequências de interações. Esses modelos superam os RNNs tradicionais graças aos mecanismos de atenção multicabeça.
Mineração de Padrões Sequenciais
Processo de extração de padrões frequentes e ordenados nas sequências de transações dos usuários. Esses padrões servem de base para entender os comportamentos típicos e gerar recomendações baseadas nas tendências observadas.
Previsão do Próximo Item
Tarefa fundamental da recomendação sequencial que consiste em prever o próximo item com o qual um usuário provavelmente interagirá. Serve como objetivo de treinamento para a maioria dos modelos sequenciais modernos.
Dinâmica Temporal
Fenômeno onde as preferências do usuário evoluem ao longo do tempo, exigindo modelos que capturem essas mudanças graduais. Os sistemas de recomendação sequencial integram essas dinâmicas para manter a relevância das sugestões.
Modelagem de Sessão do Usuário
Técnica de representação das interações do usuário dentro de uma sessão como uma sequência ordenada significativa. Permite capturar a intenção de curto prazo e o contexto de navegação para recomendações instantâneas.
Incorporação Sequencial
Representação vetorial de itens ou usuários que preserva a informação sequencial e contextual das interações. Esses embeddings capturam tanto as características intrínsecas quanto as relações temporais entre os itens.
SASRec
Self-Attentive Sequential Recommendation, modelo pioneiro que utiliza apenas mecanismos de atenção para recomendação sequencial. Captura efetivamente as dependências de longa distância sem as limitações dos RNNs tradicionais.
NARM
Neural Attentive Recommendation Machine, modelo que combina RNN e mecanismo de atenção para recomendação baseada em sessão. Captura tanto o comportamento sequencial global quanto as intenções principais da sessão atual.
STAMP
Short-Term Attention/Memory Priority Model, arquitetura focada nas últimas interações para recomendação baseada em sessão. Utiliza atenção para ponderar a importância de diferentes itens na memória de curto prazo.
Recomendação Consciente do Tempo
Abordagem que integra explicitamente informações temporais (timestamps, durações, ciclos) nos modelos de recomendação. Melhora a precisão capturando padrões temporais e a recenticidade das interações.
Início Frio Sequencial
Desafio específico dos sistemas sequenciais ao recomendar para novos usuários ou itens com pouco ou nenhum histórico. As soluções incluem transfer learning e modelos baseados em sessão para mitigar esse problema.
Recomendação Sequencial Baseada em GNN
Abordagem que utiliza Redes Neurais de Grafos para modelar relações complexas entre itens nas sequências. Ela captura eficientemente as transições de estados e as estruturas de grafo implícitas nos dados sequenciais.
Modelagem Sequencial Hierárquica
Técnica que modela sequências em múltiplos níveis de abstração (sessões, dias, semanas) para capturar padrões em diferentes escalas temporais. Permite uma compreensão mais matizada do comportamento do usuário.
Aprendizado Sequencial Contrastivo
Paradigma de aprendizado que utiliza aprendizado contrastivo para melhorar as representações sequenciais maximizando a similaridade entre visualizações positivas da mesma sequência. Reforça a robustez do modelo contra ruído e dados esparsos.