SimTrace: trajetórias de cliques sintéticas baseadas em sessões reais anonimizadas e num modelo do ambiente web
Os autores descrevem um framework que anonimiza interações autênticas, constrói uma cópia simulada do ambiente web e, com base nela, gera trajetórias de cliques multimodais com contexto do utilizador e observações do ambiente. Num cenário de comércio eletrónico, a solução superou os métodos de referência em 7 de 8 métricas de fidelidade, e os modelos treinados com dados sintéticos alcançaram uma precisão comparável à dos modelos treinados com dados reais; além disso, a inclusão de dados sintéticos proporcionou um aumento de 11,0% na previsão da ação seguinte. O código está aberto aos investigadores.
O que é SimTrace
SimTrace é um framework para gerar trajetórias sintéticas multimodais de cliques. Ele se baseia em trajetórias reais de usuários e em um ambiente web definido. O artigo «SimTrace: Grounded Multimodal User Trajectories Generation for Online User Modeling» foi submetido em 29 Sep 2026. Autores: Yunan Lu, Shuang Xie, Meghna Allamudi, Mingyu Zhao, Han Li, Lingyun Wang e Zhou Yu. O trabalho está disponível no arXiv:2609.38397.
Elementos principais:
- geração de trajetórias sintéticas multimodais de cliques;
- uso de trajetórias reais de usuários como base;
- uso de um ambiente web definido como base;
- anonimização de interações reais;
- cópia simulada do ambiente web;
- acompanhamento de cada ação por observações do ambiente web e pelo contexto do usuário.
Critério prático: o framework é adequado para modelar o comportamento de usuários na internet quando são necessárias trajetórias sintéticas de cliques.
Como funciona a geração de trajetórias sintéticas
SimTrace realiza a geração em várias etapas. Primeiro, o sistema anonimiza as interações reais. Em seguida, cria uma cópia simulada do ambiente web. Com base nesses dados, o framework gera trajetórias sintéticas. Cada ação na trajetória é acompanhada por observações do ambiente web e pelo contexto do usuário.
Etapas:
- Anonimização de interações reais.
- Criação de uma cópia simulada do ambiente web.
- Geração de trajetórias sintéticas com base nos dados anonimizados e na cópia do ambiente.
- Acompanhamento de cada ação por observações do ambiente web e pelo contexto do usuário.
Critério prático: para iniciar a geração, são necessárias sessões reais anonimizadas e uma descrição do ambiente web.
Avaliação no comércio eletrônico
SimTrace foi aplicado em um cenário de comércio eletrônico. Os pesquisadores avaliaram a precisão da reprodução dos dados e a utilidade prática. Em 7 das 8 métricas de precisão da reprodução, o sistema superou os métodos de base concorrentes.
Conclusão: no cenário de comércio eletrônico, o framework apresenta vantagem na maioria das métricas de precisão da reprodução.
O que os dados sintéticos oferecem aos modelos
Nos experimentos com SimTrace, os modelos treinados com dados sintéticos apresentaram resultados comparáveis aos dos modelos treinados com dados reais. Isso vale para as tarefas de previsão de compras e recomendação. Na tarefa de previsão da próxima ação, a adição de dados sintéticos aos dados reais aumentou a precisão em 11.0% em relação ao treinamento apenas com dados reais.
| Tarefa | Resultado | | previsão de compras | modelos com dados sintéticos são comparáveis aos modelos treinados com dados reais | | recomendação | modelos com dados sintéticos são comparáveis aos modelos treinados com dados reais | | previsão da próxima ação | a adição de dados sintéticos aos dados reais aumentou a precisão em 11.0% em relação ao uso apenas de dados reais |
Critério prático: as trajetórias sintéticas podem ser usadas em vez das reais para previsão de compras e recomendação. Para previsão da próxima ação, vale a pena adicioná-las aos dados reais.
Código aberto e critérios de aplicação
SimTrace foi lançado como um pacote de código aberto para pesquisas sobre modelagem do comportamento de usuários na internet. O pacote está disponível para tarefas de pesquisa.
Critério prático: o framework deve ser usado quando a tarefa estiver relacionada à modelagem do comportamento de usuários na internet. Para isso, são necessárias sessões reais anonimizadas e um ambiente web definido.
Conclusão: o código aberto dá acesso à implementação do framework para pesquisas.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
Avaliação de agentes de programação no desenvolvimento XR interativo: resultados do GenXR-Bench
Foi publicado o GenXR-Bench, um conjunto de 112 tarefas especializadas para avaliar de ponta a ponta agentes de programação no desenvolvimento interativo de XR: desde o aprimoramento de funcionalidades e a correção de defeitos até a criação de aplicações com verificação do comportamento em dispositivos de consumo. Entre os dez modelos testados, o melhor resultado foi de 50,9% no Pass@1; entre as falhas recorrentes estão o processamento de eventos assíncronos de sensores, a ancoragem de objetos no espaço real e a compreensão das interações em contextos físicos.
5 novembro 2026
Da recompensa escalar à fronteira de Pareto: síntese de RTL com aprendizagem por reforço multiobjetivo
É proposto um método para treinar um modelo de linguagem a gerar não apenas um esquema, mas um conjunto de candidatos RTL com diferentes compromissos entre área, latência e consumo de energia; a recompensa é calculada com base na contribuição de cada variante para o hipervolume da fronteira de Pareto. No RTLLM v2, o hipervolume relativo aumentou 13,3 p.p. em relação à versão de base sem otimização de PPA e 14,4 p.p. em relação ao treinamento por reforço com um único objetivo.
5 novembro 2026
Os LLM médicos sabem que as recomendações foram revistas, mas muitas vezes respondem de acordo com as regras anteriores
Um estudo da ChronoEvo sobre 1709 alterações às recomendações clínicas mostra que, no modelo principal, 90,8% das respostas assinalavam a novidade, mas apenas 58,5% a aplicavam na íntegra, e a diferença de 32,3 pontos percentuais persistia em 14 modelos. Mesmo aumentar a visibilidade das atualizações não trouxe um aumento significativo da incorporação integral das novas regras nas recomendações clínicas.
4 novembro 2026