beeFormer: Superando a Lacuna entre Similaridade Semântica e Interação em Sistemas de Recomendação
O projeto beeFormer apresenta uma nova abordagem para sistemas de recomendação, projetada para resolver o problema de inicialização a frio. Ele utiliza modelos de linguagem para aprender padrões de comportamento do usuário a partir de dados de interação e transferir esse conhecimento para itens não vistos. Ao contrário do filtro baseado em conteúdo tradicional, que depende de atributos de itens, o beeFormer aprende padrões de interação do usuário para recomendar melhor itens alinhados com os interesses do usuário, mesmo sem dados de interação anteriores. Experimentos demonstram melhorias significativas de desempenho. O projeto fornece etapas de treinamento detalhadas e modelos pré-treinados, suportando conjuntos de dados como MovieLens, GoodBooks e Amazon Books.