Como funcionam os algoritmos de recomendação: a IA que molda seu feed

Cada vez que alguém abre YouTube, TikTok ou um aplicativo semelhante, o software classifica milhares de vídeos, músicas ou publicações possíveis em uma fração de segundo e decide qual punhado mostrar primeiro. Este é um sistema de recomendação: um conjunto de algoritmos projetado para prever quais itens um usuário específico é mais provável de querer, de um catálogo grande demais para qualquer pessoa navegar manualmente.

As duas ideias básicas atrás de cada recomendador

De acordo com o glossário técnico da NVIDIA sobre sistemas de recomendação, a maioria dos mecanismos combina duas abordagens básicas. A filtragem colaborativa assume que se as pessoas fizeram escolhas semelhantes no passado, provavelmente concordarão em futuras também, então o sistema procura por usuários com padrões de comportamento correspondentes e recomenda o que esses usuários semelhantes gostaram. A filtragem baseada em conteúdo, em vez disso, examina os atributos dos próprios itens — gênero, atores, características de áudio, tags — e sugere itens semelhantes aos quais um usuário já se envolveu.

O glossário da NVIDIA adiciona uma terceira camada usada por algumas plataformas: filtragem de contexto, que considera detalhes situacionais como tipo de dispositivo, hora do dia ou localização. Como exemplo, cita a prática da Netflix de ponderar o país, dispositivo, data e hora quando um título foi assistido, juntamente com a visualização em si.

Os sistemas modernos cada vez mais substituem ou complementam essas abordagens com aprendizado profundo. A NVIDIA descreve métodos como Filtragem Colaborativa Neural, que combina fatoração de matriz com redes neurais multicamadas para capturar relações não lineares entre usuários e itens, e modelos baseados em sequência usando redes recorrentes ou Transformers para aprender padrões na ordem em que um usuário assiste ou ouve coisas.

O que as plataformas dizem que seus próprios algoritmos otimizam

As empresas raramente publicam seu código de classificação completo, mas algumas descrevem os objetivos e sinais por trás disso. A sala de imprensa do TikTok afirma que seu feed Para Você classifica vídeos usando três categorias de sinal: interações do usuário (curtidas, compartilhamentos, seguimentos, comentários e o que uma pessoa cria), informações do vídeo (legendas, sons, hashtags) e configurações de dispositivo ou conta (idioma, país, tipo de dispositivo). O TikTok diz que esses sinais são ponderados de forma diferente — um sinal forte, como assistir a um vídeo mais longo até o final, conta mais do que um fraco, como compartilhar uma geografia geral com outros espectadores.

O TikTok declara explicitamente que a contagem de seguidores e o histórico de vídeos de alto desempenho de um criador não são fatores diretos em se um determinado vídeo recebe recomendação. A empresa também diz que deliberadamente mistura conteúdo fora dos interesses expressos de um usuário e evita mostrar vídeos consecutivos do mesmo criador ou usando o mesmo som, descrevendo isso como uma forma de dar às pessoas "oportunidades adicionais de descobrir novas categorias de conteúdo" em vez de estarem confinadas a um feed estreito.

O site oficial "Como funciona o YouTube" do YouTube enquadra o objetivo do sistema de recomendação como entender o que um espectador precisa e oferecer uma experiência de visualização que o deixe satisfeito, em vez de simplesmente maximizar o tempo de visualização. Lista as entradas que alimentam recomendações como comportamento de visualização e histórico de visualização, engajamento explícito como curtidas e descurtidas, inscrições e feedback direto, reputação e qualidade de um canal, e tendências mais amplas entre o público geral, não apenas o histórico de uma pessoa. O YouTube diz que complementa dados comportamentais com pesquisas de satisfação e equipes externas de avaliadores para verificar se o conteúdo recomendado é genuinamente de alta qualidade, e que para assuntos sensíveis como notícias, finanças, saúde ou ciência, coloca peso extra em fontes autorizadas.

Por que duas pessoas nunca veem o mesmo feed

Porque a filtragem colaborativa compara o comportamento de um usuário com outros usuários, e a filtragem de conteúdo compara itens com o histórico próprio de uma pessoa, nenhuma duas contas carregam uma mistura idêntica de sinais — históricos de visualização diferentes, seguimentos diferentes, dispositivos e locais diferentes. O TikTok afirma diretamente que nenhum dois usuários verão a mesma combinação de vídeos em seu feed Para Você. O YouTube e TikTok também dizem que o sistema continua se atualizando a cada nova interação, então um feed observado pela manhã já pode parecer diferente à noite com base no que foi assistido, pulado ou marcado como "não interessado" entre tanto.

Quão precisos as pessoas acham que esses sistemas são?

A pesquisa sobre como as pessoas realmente percebem a personalização algorítmica é mais limitada do que a literatura de engenharia. Uma pesquisa do Centro de Pesquisa Pew publicada em 16 de janeiro de 2019 perguntou aos usuários do Facebook sobre as categorias de interesse e traços que a plataforma havia atribuído a eles para direcionamento de anúncios. Descobriu que 74% dos usuários não sabiam que essa lista de traços existia até que a pesquisa os apontou, e apenas 12% estavam cientes disso de antemão. Uma vez mostradas suas próprias categorias, 59% disseram que os rótulos refletiam seus interesses na vida real de forma razoável ou muito precisa, enquanto 27% discordaram; 51% disseram que se sentiam desconfortáveis com a plataforma compilando tais listas mesmo quando as consideravam precisas. A pesquisa cobriu 963 usuários de Facebook dos EUA, com 18 anos ou mais, pesquisados de 4 de setembro a 1º de outubro de 2018.

Os usuários podem influenciar ou limitar o algoritmo?

Ambas as empresas descrevem controles voltados para o usuário. A página oficial do YouTube observa que usuários conectados podem pausar, editar ou excluir seu histórico de pesquisa e visualização a qualquer momento, que alimenta diretamente o que o sistema de recomendação aprende. O TikTok diz que curtidas, seguimentos, comentários, exploração de hashtag e toques explícitos de "Não Interessado" ajustam futuras recomendações, além das categorias de interesse que uma pessoa pode selecionar ao configurar uma conta pela primeira vez.