Como a Zalando Revolucionou sua Página Inicial com Redes Neurais de Grafos
Transformação da Recomendação na Zalando com Redes Neurais de Grafos
A engenheira sênior de Machine Learning Mariia Bulycheva apresentou no InfoQ Dev Summit Munich 2025 uma abordagem inovadora adotada pela Zalando para melhorar a experiência do usuário na página inicial da plataforma de e-commerce. A transição do aprendizado profundo clássico para as Graph Neural Networks (GNNs) permitiu um salto qualitativo na personalização e engajamento, otimizando métricas de longo prazo como retenção e conversão.
O desafio: Personalização além dos modelos tradicionais
A página inicial da Zalando exibe uma vasta variedade de conteúdos – desde produtos individuais, carrosséis de itens similares até vídeos produzidos por criadores parceiros. O desafio era selecionar cerca de 2.000 conteúdos para ranquear e apresentar apenas os 40 mais relevantes para cada usuário, maximizando a probabilidade de clique e continuidade da jornada de compra.
Apesar de um sistema já eficiente baseado em deep learning, a equipe identificou limitações para melhorar a personalização visando métricas mais amplas e duradouras. Foi então que a modelagem em grafos se mostrou promissora, dada sua capacidade de representar relações complexas e multi-hub entre usuários, conteúdos e marcas.
Construção e preparação dos dados: de logs tabulares a grafos heterogêneos
Um dos principais obstáculos foi converter os dados tabulares de logs de usuário em um grafo heterogêneo. Os nós representam usuários, conteúdos, marcas e outros elementos, enquanto as arestas capturam interações como visualizações, cliques, adição ao carrinho e até o tempo de visualização de vídeos.
A equipe criou uma pipeline paralela para construir o grafo a partir dos dados tabulares, evitando a necessidade de uma base de dados de grafos dedicada como Neo4j. Importante destacar que o grafo de treino e o de teste foram mantidos completamente desconectados para evitar vazamento de dados, uma armadilha comum em modelos baseados em grafos.
Treinamento via "message passing" e arquitetura híbrida para baixa latência
O treinamento das GNNs utiliza o processo de "message passing", onde informações contextuais fluem entre nós conectados para gerar embeddings contextuais mais ricos. Essa abordagem foi fundamental para capturar as relações multifacetadas entre usuários e conteúdos.
Para superar desafios de latência na inferência, a Zalando adotou uma arquitetura híbrida que entrega embeddings contextuais pré-computados para um modelo downstream, equilibrando desempenho e rapidez na resposta ao usuário.
Impacto prático e disponibilidade
Com a adoção das GNNs, a Zalando conseguiu superar as limitações dos modelos tradicionais, aumentando a precisão da recomendação e promovendo um engajamento mais profundo e duradouro dos usuários. O método é aplicável a outras plataformas digitais que lidam com grandes volumes de interações complexas entre usuários e conteúdos.
Embora a apresentação não tenha detalhado aspectos comerciais como preço ou acesso direto ao código, o conteúdo está disponível no InfoQ para desenvolvedores e engenheiros interessados em aprofundar-se na aplicação prática de redes neurais de grafos em sistemas de recomendação.