In recommendation systems the objective is to improve user experience by suggesting interesting contents and quickly providing what they look for. To help with this task, Deep learning has proven to be an efficient tool, especially in recommendation systems where user navigation sessions are anonymous. The nature of Deep Learning tools such as Recurrent Networks, Graph Neural Networks and Attention Mechanism makes them capable of dealing with variable length data in large scale, which is ideal for processing user sessions. In this context, many state of the art Deep Learning models have the limitation of not being scalable to large datasets, where the number of unique items to recommend is very large. In this work we explore how scalable loss functions can modify the results of previous works and we introduce a new challenging dataset to assess whether such modifications really make the models scalable.

Em sistemas de recomendação, o objetivo é melhorar a experiência do usuário, sugerindo conteúdos interessantes e fornecendo rapidamente o que procuram. Para ajudar nesta tarefa, Deep Learning provou ser uma ferramenta eficiente, especialmente em sistemas de recomendação onde as informações de identificação do usuário não são possíveis de serem atribuídas às sessões do usuário. A natureza de algumas ferramentas de Aprendizagem Profunda como Redes Recorrentes, Redes Neurais em Grafos e Mecanismo de Atenção os torna capazes de lidar com dados de tamanho variável em grande escala, o que é ideal para processar sessões de usuário. Nesse contexto, muitos trabalhos estado da arte de Aprendizagem Profunda têm a limitação de não serem escaláveis para grandes conjuntos de dados, onde o número de itens únicos a serem recomendados é muito grande. Neste trabalho, exploramos como funções de custo escaláveis podem modificar os resultados de trabalhos anteriores e apresentamos um novo conjunto de dados mais desafiador para testar se essas modificações realmente tornam os modelos escaláveis.