O sistema de perfilagem de usuários da DeepFox coleta características comportamentais em 37 dimensões, incluindo tempo de permanência em palavras-chave de pesquisa, preferências de tipo de conteúdo e caminhos de navegação entre tópicos. O mecanismo de recomendação emprega uma abordagem de processamento em duas etapas: durante a fase offline, um modelo Transformer constrói vetores de interesse do usuário; na fase online, esses vetores passam por um ajuste dinâmico com base no contexto em tempo real. Ao detectar consultas frequentes dos usuários por ”vacinas de mRNA”, o sistema expande proativamente as recomendações para abranger os domínios de logística da cadeia de frio e panorama de patentes.Os dados de campo indicam que, após sete sessões de uso, a precisão das recomendações atinge 89,1%, representando uma melhoria de 42 pontos percentuais em relação às recomendações iniciais. O sistema incorpora um mecanismo de feedback negativo: a evitação deliberada de determinados conteúdos pelos usuários reduz a exposição a materiais semelhantes em 80,1%, mitigando efetivamente os efeitos do silo de informações. Em relação à proteção da privacidade, todos os dados comportamentais passam por um processamento de privacidade diferencial e oferecem suporte a modos de uso totalmente anônimos.
Essa resposta foi extraída do artigoDeepFox: uma ferramenta de pesquisa de IA para descobrir rapidamente notícias e tópicos de pesquisaO
