QuintoAndar: embeddings geográficos H3 em várias resoluções

01 · CONTEXTO

Por que localização pede mais que um ID de bairro

O paper descreve um problema de busca por moradia: com milhares de imóveis disponíveis por cidade, os usuários têm dificuldade para encontrar o lar ideal.

O paper cita uma pesquisa com quase 800 respondentes, em que mais de 50% dos participantes colocam a localização como o fator mais crítico na decisão de aluguel. Apesar dessa preferência clara, os autores afirmam que o recomendador reconhecia de forma subótima a importância desse conceito, mesmo com acesso a várias features geográficas.

Dois desafios aparecem. O primeiro: o número de imóveis em cada lugar é limitado e distribuído de forma desigual, o que gera esparsidade severa de itens ao recomendar dentro de fronteiras geográficas estreitas. O segundo: a busca costuma ir além de bairros estritamente adjacentes, porque locatários frequentemente consideram lugares que compartilham atributos-chave, como proximidade da praia, de serviços de saúde e de transporte público, níveis de segurança e faixas de preço.

02 · O ÍNDICE

H3 como vocabulário geográfico

O paper usa o H3 (Hexagonal Hierarchical Spatial Index), que converte pares de latitude e longitude em identificadores hexagonais compactos de 64 bits, em várias resoluções. Segundo o paper, isso dá uma grade uniforme e consistente entre células vizinhas, útil para contexto geográfico multiescala.

A proposta dos autores é integrar essa grade hierárquica, em vários níveis, a uma arquitetura neural de duas torres (two-tower).

03 · ARQUITETURA

Duas torres, localização em várias escalas

Como baselines, o paper usa uma fatoração de matrizes aprendida com ALS, cuja única feature de cada item é a célula de resolução 9, e uma two-tower que embute apenas a célula de resolução 9 para localizações e o ID do usuário para usuários, cada um por uma camada de embedding e algumas camadas densas.

1. O diagrama começa pela localização do imóvel, que passa por um conversor para células hexagonais.

2. No modelo multirresolução, a cidade tem uma camada de embedding própria e as células H3 das resoluções 6, 7, 8 e 9 têm, cada uma, a sua.

3. Os embeddings da cidade e de todas as células são concatenados em um vetor e refinados por duas camadas totalmente conectadas com ReLU, o que resulta no embedding final da localização.

4. A torre do usuário segue o mesmo desenho do baseline de resolução única, com o ID do usuário como entrada.

04 · TREINO

Perda contrastiva e negativos no lote

Os dados de treino são interações usuário-imóvel coletadas na plataforma de 1 de janeiro de 2022 a 31 de dezembro de 2024. Entram só eventos de alta intenção, como agendar uma visita ou fazer uma oferta; sinais de menor intenção, como cliques, ficam de fora.

1. Os modelos são treinados com interações usuário-imóvel de alta intenção; no diagrama, esses pares chegam às duas torres, uma para o usuário e outra para a localização.

2. Os vetores das duas torres são comparados dentro do mesmo lote, formando uma matriz de similaridade.

3. O treino maximiza a similaridade dos pares positivos observados e minimiza a dos pares negativos do mesmo lote, usando uma perda contrastiva na formulação InfoNCE.

4. Uma máscara evita comparar interações do usuário com localizações que são positivos conhecidos, mas aparecem fora da diagonal da matriz de similaridade.

Os autores descrevem embeddings de 32 dimensões, otimizador Adam com taxa de aprendizado 0.001, lote de 512 e treino por 15 épocas.

05 · AVALIAÇÃO

Resultados e o que eles não provam

1. Na avaliação intrínseca, cria-se um embedding para cada célula H3 observada no treino e rodam-se métricas de detecção de colapso sobre todo o conjunto de vetores.

2. Na avaliação extrínseca, os autores analisam um mês de logs de produção de março de 2025 do módulo de imóveis similares, um recomendador item-item que mostra casas parecidas com um imóvel âncora.

3. Calcula-se a similaridade de cosseno entre o embedding da âncora e o de cada candidato, e as recomendações abaixo de cada limiar são podadas progressivamente.

4. O impacto é medido pela taxa de rent-flow, que conta ações de forte intenção, como agendar uma visita presencial ou enviar uma oferta de aluguel.

O modelo de duas torres com resolução única aumenta a abundância de informação em 158% (de 6.0 para 15.5) e o uplift médio de rent-flow simulado em 84% (de 3.2% para 5.9%). Ao somar os embeddings multirresolução, a abundância sobe mais 40% (de 15.5 para 21.7) e o uplift mais 85% (de 5.9% para 10.9%).

O paper plota o espectro de valores singulares da covariância normalizada dos embeddings de cada modelo, e o modelo multirresolução tem o decaimento mais plano; segundo o paper, um decaimento mais lento no log-espectro indica variância mais bem distribuída entre as dimensões do embedding.

Como trabalho futuro, os autores citam atributos de localização mais ricos, como a distância a pontos de interesse, entre eles estações de metrô e delegacias.