ZoRRO Combina CTR de Aprendizado Profundo com Velocidade 600×

ZoRRO, um recomendador de notícias sem peso e sem necessidade de treino, alcançou taxas de clique equivalentes a um modelo de aprendizado profundo de última geração em um teste A/B online ao vivo na editora dinamarquesa JP/Politikens Media Group, enquanto rodava 600× mais rápido na inferência, conforme relatado em um artigo aceito para o SIGIR '26, realizado de 20 a 24 de julho de 2026, em Melbourne.

ZoRRO combina recência de artigos com similaridade baseada em representação. Artigos são codificados no momento do indexação usando codificação de categoria one-hot ou vetores pré-treinados, como BERT; ZoRRO não carrega nenhum peso treinado. No momento do serviço, ele avalia candidatos ao computar a similaridade entre representações do histórico do usuário e vetores de artigos frescos, e depois aplica um decaimento de recência. O sistema se adapta instantaneamente a novos artigos e usuários, evitando a latência de início frio que normalmente exige retreinamento em lotes frequentes ou atualizações de recursos em tempo real caros em pipelines de recomendação de notícias. A pilha de serviço é apenas CPU, não requerendo GPU para inferência, sem monitoramento para deriva de embedding e sem atualizações de gradiente em segundo plano.

Em avaliações de classificação offline em benchmarks padrão, ZoRRO superou fortes modelos neurais base. No teste A/B de produção ao vivo na JP/Politikens Media Group, sua CTR foi quase paralela ao recomendador de aprendizado profundo de última geração existente da editora. O ganho de velocidade na inferência de 600× vem da substituição das passagens para frente neurais por computações de similaridade leve contra pools de candidatos ponderados por recência. Os autores, da Universidade Técnica da Dinamarca, UC San Diego, ZOZO Research e a editora, liberaram a implementação open-source no GitHub. No entanto, o artigo não especifica percentis de latência absoluta, taxa de transferência em consultas por segundo ou custos por solicitação em dólares além da vantagem relativa de velocidade.

O artigo documenta um modo de falha que arquitetos de produção devem prestar atenção: fortes métricas de classificação offline não traduziram automaticamente para a melhor CTR online. Modelos que entregam CTR semelhantes produziram distribuições temáticas e de sentimento significativamente diferentes, alterando o fluxo de notícias de maneiras que mecanismos offline otimizados para precisão não podem detectar. Para uma equipe de produção, trocar uma base neural por ZoRRO - mesmo com desempenho de clique correspondente - muda os resultados editoriais e padrões de exposição do usuário que modelos de equidade, diversidade ou assinatura downstream podem depender.

O experimento reflete os padrões de tráfego e taxonomia de conteúdo de uma única editora dinamarquesa; arquitetos não devem assumir que codificações one-hot são suficientes para veículos com categorização mais esparsa ou idiomas não europeus sem validação. O ganho de velocidade de 600× é medido em relação a modelos neurais base em experimentos offline controlados, não necessariamente contra uma pilha de serviço GPU ajustada com otimizações de cache e lote. Enquanto a CTR titulariza os resultados do teste A/B, o artigo não relata duração de engajamento, conversão de assinatura ou retenção a longo prazo - métricas que muitas vezes quebram na direção oposta quando sistemas leve de otimização de clique diluem a qualidade do conteúdo ou aumentam a rotatividade.

A lição chave é que a qualidade da recomendação não requer parâmetros treináveis: uma função de similaridade ponderada por recência com representações leves pode igualar o aprendizado profundo em métricas de negócios enquanto elimina o custo de serviço, infraestrutura de retreinamento e imposto de manutenção completamente.