Modelos Híbridos de GPT e Neurais para E-Commerce Personalizado: Uma Nova Estrutura para Recomendações de Produtos Adaptativas e Transparentes

Com o objetivo de transformar a personalização no e-commerce, o estudo apresenta um sistema de recomendação de produtos que utiliza os melhores recursos do modelo Generative Pre-trained Transformer (GPT) da OpenAI em conjunto com integração neural. Sistemas tradicionais geralmente dependem de filtragem colaborativa ou modelos baseados em conteúdo. Isso pode carecer de precisão e adaptabilidade às necessidades individuais. O método proposto supera essas limitações ao integrar classificação hierárquica. A pontuação de similaridade híbrida e as capacidades de anotação baseadas em GPT fornecem regras mais precisas e interpretáveis. A técnica de múltiplas etapas garante que a máquina leve a diferentes tipos de estatísticas, que incluem descrições textuais de produtos e metadados gerados para obter insights significativos. Isso se deve ao fato de que técnicas de pré-processamento determinam o formato específico de números e fatos, enquanto embeddings construídos a partir de modelos neurais fornecem um rico conhecimento semântico sobre relacionamentos entre produtos. O mecanismo de pontuação ponderada ajusta-se dinamicamente às escolhas feitas pelos indivíduos. Isso aumenta a capacidade da máquina de generalizar às necessidades de um homem ou mulher. Além disso, fatores inspirados no GPT promovem consideração e transparência ao explicar as razões subjacentes em linguagem natural. Os resultados do experimento validaram a capacidade do dispositivo de oferecer ampla personalização e satisfação do usuário. Ao combinar dados específicos de domínio com estratégias de IA existentes, essa estrutura estabelece um novo padrão para aplicações de e-commerce centradas nas pessoas e impulsionadas pela precisão.