Continuous Temporal Line Graphs for News Recommendation: A Novel Approach to Modeling User Interest Drift

في محيط الأخبار عبر الإنترنت الهائل والمضطرب، أصبح العثور على قصة تهمك حقاً أمراً يزداد صعوبة. إن الحجم الهائل للمقالات التي تُنشر في كل دقيقة يعني أنه بدون مساعدة، قد يغرق القارئ في محتوى غير ذي صلة أو قديم. هذه هي مشكلة التوصية الشخصية: يجب على النظام تخمين ما يريد الشخص قراءته تالياً بناءً على ما قرأه من قبل. لفترة طويلة، حاول علماء الكمبيوتر حل هذه المشكلة من خلال التعامل مع تاريخ المستخدم كقائمة ثابتة، بافتراض أنه إذا أعجب شخص ما بمقال سياسي بالأمس، فمن المرجح أن يرغب في آخر اليوم. ومع ذلك، فإن الانتباه البشري أكثر سيولة مما توحي به القائمة الثاتبة. فاهتماماتنا تتبدل؛ فقد يقضي شخص ساعات في القراءة عن السياسة الدولية ثم ينتقل فجأة إلى الرياضة أو الترفيه بسبب حدث عاجل، أو تغير في المزاج، أو ببساطة لأنه اكتفى من موضوع واحد. التحدي الذي يواجه أنظمة التوصية لا يقتصر فقط على تذكر ما يحبه المستخدم، بل في ملاحظة اللحظة التي يتغير فيها عقله والتكيف فوراً.

لقد طور فريق من الباحثين في جامعة نورث ويسترن بوليتكنيكال طريقة جديدة لتتبع هذه التغيرات السريعة في الاهتمامات. لقد أنشأوا نظاماً يسمى CTLGNN، وهو اختصار لـ "الشبكة العصبية للرسم البيائي الخطي الزمني المستمر" (Continuous Temporal Line Graph Neural Network). وبدلاً من النظر إلى تاريخ المستخدم كمتتالية بسيطة من النقرات أو ملف تعريف ثابت، يتعامل هذا النهج الجديد مع كل تفاعل بين الشخص ومقال إخباري كحدث فريد يؤثر على الحدث التالي. أدرك الباحثون أن الطرق التقليدية غالباً ما تغفل الروابط الضمنية والفورية بين نقرتين تحدثان في وقت متقارب. ولإصلاح ذلك، بنوا نموذجاً يركز على العلاقات بين هذه التفاعلات بدلاً من التركيز فقط على المستخدمين أو المقالات أنفسهم.

إن جوهر ابتكارهم هو تحول في المنظور. تخيل رسماً بيانياً حيث تمثل النقاط المستخدمين والقصص الإخبارية، وتمثل الخطوط التي تربط بينهم نقرة ما. معظم الأنظمة تحلل النقاط لفهم المستخدم، أما هذا النظام الجديد، فيحول تلك الخطوط الرابطة إلى النقاط نفسها. في نموذجهم، في كل مرة ينقر فيها مستخدم على قصة إخبارية، تصبح تلك النقرة المحددة "عقدة" (node) في رسم بياني جديد ومتخصص. إذا نقر مستخدم على قصتين مختلفتين في تتابع سريع، أو إذا نقر مستخدمان مختلفان على نفس القصة، يتم ربط هذه "العقد النقراتية" ببعضها البعض. يسمم هذا الحاسوب على رؤية تدفق السلوك مباشرة؛ حيث يمكنه مراقبة كيف يغير النقر الأخير على مقال رياضي سياق النقرة التالية فوراً، مما يلتقط انحراف الاهتمام أثناء حدوثه، بدلاً من الانتظار حتى يظهر نمط واضح على مدى أسابيع.

وللتعامل مع الصورة الكاملة لتفضيلات المستخدم، يستخدم النظام محركين مختلفين يعملان معاً. ينظر المحرك الأول إلى التاريخ طويل المدى؛ حيث يستخدم طريقة تقسم الوقت إلى لقطات زمنية، محللاً كيفية تطور اهتمامات المستخدم على مدار أشهر أو سنوات لبناء فهم مستقر لمن يكون. أما المحرك الثاني، فهو المكون الجديد المرتكز على الأحداث؛ حيث ينظر فقط إلى التفاعلات الأخيرة، معاملاً إياها كتدفق مستمر من الأحداث. ومن خلال الجمع بين هذين المنظورين، يمكن للنظام موازنة ما يحبه المستخدم بشكل عام مع ما يهتم به في هذه اللحظة تحديداً. فإذا بدأ مستخدم يقرأ عادةً عن التمويل فجأة في النقر على وصفات الطبخ، فإن المحرك طويل المدى يتذكر الاهتمام بالتمويل، لكن المحرك قصير المدى يحدد فوراً الاهتمام بالطبخ كأولوية حالية.

اختبر الباحثون هذا النهج باستخدام بيانات من مواقع إخبارية حقيقية، بما في ذلك مجموعة بيانات تحتوي على أكثر من 100,000 مستخدم وملايين المشاهدات الإخبارية. وقارنوا نظامهم الجديد بأربعة عشر طريقة رائدة أخرى، تتراوح من متتبعات المتتاليات البسيطة إلى نماذج الرسم البياني المعقدة. كانت النتائج واضحة: تفوق النظام الجديد باستمرار على الآخرين. وفي الاختبارات التي تقيس مدى قدرة النظام على التنبؤ بالمقال التالي الذي سينقر عليه المستخدم، حقق درجات أعلى في الدقة والصلة بأي من النماذج السابقة. وتحديداً، في أحد مجموعات البيانات، حقق درجة دقة بلغت 84.15%، متفوقاً بشكل كبير على أفضل نموذج تالٍ له. وفي مجموعة بيانات أخرى، حقق درجة ترتيب بلغت 99.18%، مما يشير إلى أنه كان بارعاً للغاية في وضع المقال الصحيح في رأس القائمة.

استكشفت الدراسة أيضاً سبب عمل النظام بهذا الشكل الجيد من خلال إزالة أجزاء منه لمعرفة ما سيحدث. عندما أزال الباحثون تتبع الأحداث قصير المدى، انخفض أداء النظام بشكل حاد، مما أثبت أن التقاط التحولات الفورية في الاهتمام أمر بالغ الأهمية. وعندما أزالوا مكون التاريخ طويل المدى، واجه النظام صعوبة في الحفاظ على فهم ثابت للمستخدم. وقد أكد هذا أن الجمع بين كلا المنظورين ضروري لتحقيق أفضل النتائج. كما وجد الباحثون أن النظام يعمل بشكل أفضل عندما يأخذ في الاعتبار آخر خمس تفاعلات؛ حيث لم يوفر النظر في أقل من خمس نقرات سياقاً كافياً، بينما أدى النظر في أكثر من خمس نقرات إلى تضمين معلومات قديمة أدت إلى إرباك النموذج. وهذا يشير إلى أن تحولات الاهتمام البشري غالباً ما تكون مدفوعة بنطاق نشاط حديث وصغير جداً.

من خلال دراسات حالة مفصلة، أظهر الباحثون كيف يتعامل نموذجهم مع سيناريوهات محددة تفشل فيها الأنظمة الأخرى. في أحد الأمثلة، كان هناك مستخدم يقرأ أخبار السياسة لفترة طويلة وفجأة نقر على مقال رياضي. استمرت الأنظمة القديمة في التوصية بالأخبار السياسية، ففشلت في ملاحظة التغيير. ومع ذلك، أدرك النظام الجديد فوراً التحول في نمط التفاعل الأخير ووضع المقال الرياضي في أعلى قائمة التوصيات. لقد نجح في تحديد أن الاهتمام الفوري للمستخدم قد طغى على عادته طويلة المدى. إن هذه القدرة على اكتشاف والتحرك بناءً على التغيرات المفاجئة في السلوك هي ما يجعل هذا النظام فعالاً بشكل خاص في عالم الأخبار عبر الإنترنت سريع الوتيرة، حيث يمكن لاهتمام المستخدم أن يتغير في غضون دقيقة واحدة.

يقر الباحثون أنه على الرغم من أن نظامهم يمثل خطوة كبيرة للأمام، إلا أنه لا يزال هناك عمل يتعين القيام به. ويشيرون إلى أن النموذج قادر على التعميم بشكل جيد إلى المستخدمين ذوي سجلات التفاعل المحدودة، لكنه ليس مصمماً خصيصاً لمعالجة مشكلة "البداية الباردة" (cold-start). كما يشيرون إلى أن التكلفة الحسابية لبناء هذه الرسوم البيانية المعقدة باستمرار مرتفعة، مما قد يشكل تحدياً للتطبيقات في الوقت الفعلي. وسيركز العمل المستقبلي على جعل النظام أسرع وأكثر كفاءة، بالإضافة إلى دمج أنواع أخرى من المعلومات مثل الصور والفيديوهات لفهم أفضل لما يريده المستخدمون. ورغم هذه القيود، تظهر الدراسة أنه من خلال التركيز على الروابط بين الأحداث بدلاً من مجرد الأحداث نفسها، من الممكن بناء أنظمة توصية تكون أكثر توافقاً مع الطبيعة الديناميكية للاهتمام البشري.