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

In dem riesigen, aufgewühlten Ozean der Online-Nachrichten wird es zunehmend schwieriger, eine Geschichte zu finden, die einem wirklich wichtig ist. Das schiere Volumen der jede Minute veröffentlichten Artikel bedeutet, dass ein Leser ohne Hilfe in Inhalten ertrinken könnte, die irrelevant oder veraltet sind. Dies ist das Problem der personalisierten Empfehlung: Ein System muss erraten, was eine Person als Nächstes lesen möchte, basierend darauf, was sie zuvor gelesen hat. Lange Zeit haben Informatiker versucht, dies zu lösen, indem sie die Historie eines Nutzers als statische Liste behandelten, unter der Annahme, dass jemand, der gestern einen politischen Artikel mochte, heute wahrscheinlich wieder einen möchte. Die menschliche Aufmerksamkeit ist jedoch weita viel flüssiger, als eine statische Liste vermuten lässt. Unsere Interessen driften; eine Person, die Stunden damit verbringt, über internationale Politik zu lesen, kann plötzlich zu Sport oder Unterhaltung wechseln, aufgrund eines aktuellen Ereignisses, einer Stimmungslage oder einfach, weil sie genug von einem Thema gesehen hat. Die Herausforderung für Empfehlungssysteme besteht nicht nur darin, sich daran zu erinnern, was ein Nutzer mag, sondern den Moment zu bemerken, in dem sich sein Geist wandelt, und sich sofort anzupassen.

Ein Team von Forschern der Northwestern Polytechnical University hat einen neuen Weg entwickelt, um diese schnellen Änderungen im Interesse zu verfolgen. Sie haben ein System namens CTLGNN entwickelt, was für Continuous Temporal Line Graph Neural Network steht. Anstatt die Historie eines Nutzers als einfache Sequenz von Klicks oder als festes Profil zu betrachten, behandelt dieser neue Ansatz jede einzelne Interaktion zwischen einer Person und einem Nachrichtenartikel als ein einzigartiges Ereignis, das das nächste beeinflusst. Die Forscher erkannten, dass traditionelle Methoden oft die subtilen, unmittelbaren Verbindungen zwischen zwei Klicks übersehen, die zeitlich nah beieinander liegen. Um dies zu beheben, bauten sie ein Modell, das sich auf die Beziehungen zwischen diesen Interaktionen konzentriert, anstatt nur auf die Nutzer oder die Artikel selbst.

Der Kern ihrer Innovation ist ein Perspektivwechsel. Stellen Sie sich einen Graphen vor, in dem die Punkte Nutzer und Nachrichtengeschichten repräsentieren und die Linien, die sie verbinden, einen Klick darstellen. Die meisten Systeme analysieren die Punkte, um den Nutzer zu verstehen. Dieses neue System hingegen verwandelt jene verbindenden Linien in die Punkte selbst. In ihrem Modell wird jedes Mal, wenn ein Nutzer auf eine Nachricht klickt, dieser spezifische Klick zu einem Knoten in einem neuen, spezialisierten Graphen. Wenn ein Nutzer in schneller Folge auf zwei verschiedene Geschichten klickt oder wenn zwei verschiedene Nutzer dieselbe Geschichte anklicken, werden diese „Klick-Knoten“ miteinander verknüpft. Dies ermöglicht es dem Computer, den Fluss des Verhaltens direkt zu beobachten. Er kann beobachten, wie ein aktueller Klick auf einen Sportartikel unmittelbar den Kontext für den nächsten Klick verändert und so das Driften des Interesses erfasst, während es geschieht, anstatt darauf zu warten, dass sich ein Muster über Wochen hinweg abzeichnet.

Um das vollständige Bild der Präferenzen eines Nutzers zu erfassen, verwendet das System zwei verschiedene Motoren, die zusammenarbeiten. Der erste Motor betrachtet die langfristige Historie. Er nutzt eine Methode, die die Zeit in Schnappschüsse unterteilt und analysiert, wie sich die Interessen eines Nutzers über Monate oder Jahre entwickelt haben, um ein stabiles Verständnis dessen aufzubauen, wer er ist. Der zweite, ereignisfokussierte Bestandteil betrachtet nur die jüngsten Interaktionen und behandelt sie als einen kontinuierlichen Strom von Ereignissen. Durch die Kombination dieser beiden Ansichten kann das System ausbalancieren, was ein Nutzer im Allgemeinen mag und woran er in genau diesem Augenblick interessiert ist. Wenn ein Nutzer, der normalerweise über Finanzen liest, plötzlich anfängt, Kochrezepte anzuklicken, erinnert sich der langfristige Motor an das Finanzinteresse, aber der kurzfristige Motor markiert das Kochinteresse sofort als die aktuelle Priorität.

Die Forscher testeten diesen Ansatz mit Realdaten von Nachrichten-Websites, einschließlich eines Datensatzes, der über 100.000 Nutzer und Millionen von Nachrichten-Impressions enthält. Sie verglichen ihr neues System mit vierzehn anderen führenden Methoden, die von einfachen Sequenz-Trackern bis hin zu komplexen Graphmodellen reichen. Die Ergebnisse waren eindeutig: Das neue System übertraf die anderen konsequent. In Tests, die maßen, wie gut das System den nächsten Artikel vorhersagen konnte, den ein Nutzer anklicken würde, erreichte es höhere Werte in Genauigkeit und Relevanz als alle bisherigen Modelle. Konkret erreichte es auf einem Datensatz einen Genauigkeitswert von 84,15 % und schlug damit das nächstbeste Modell deutlich. Auf einem anderen Datensatz erreichte es einen Ranking-Score von 99,18 %, was darauf hindeutet, dass es außergewöhnlich gut darin war, den korrekten Artikel an die Spitze der Liste zu setzen.

Die Studie untersuchte auch, warum das System so gut funktionierte, indem Teile davon entfernt wurden, um zu sehen, was passieren würde. Als die Forscher die kurzfristige Ereignisverfolgung entfernten, sank die Leistung des Systems drastisch, was bewies, dass das Erfassen unmittelbarer Interessenwechsel entscheidend ist. Als sie die langfristige Historie entfernten, hatte das System Schwierigkeiten, ein konsistentes Verständnis des Nutzers aufrechtzuerhalten. Dies bestätigte, dass die Kombination beider Ansichten für die besten Ergebnisse notwendig ist. Die Forscher fanden auch heraus, dass das System am besten arbeitete, wenn es die fünf jüngsten Interaktionen berücksichtigte. Weniger als fünf Klicks zu betrachten, lieferte nicht genügend Kontext, während die Betrachtung von mehr als fünf Klicks begann, veraltete Informationen einzubeziehen, die das Modell verwirrten. Dies deutet darauf an, dass Verschiebungen des menschlichen Interesses oft durch ein sehr kleines, aktuelles Zeitfenster getrieben werden.

Durch detaillierte Fallstudien zeigten die Forscher, wie ihr Modell spezifische Szenarien bewältigt, in denen andere Systeme versagen. In einem Beispiel, in dem ein Nutzer, der lange Zeit politische Nachrichten gelesen hatte, plötzlich auf einen Sportartikel klickte, empfahlen ältere Systeme weiterhin politische Nachrichten und bemerkten die Änderung nicht. Das neue System erkannte jedoch sofort die Verschiebung im jüngsten Interaktionsmuster und setzte den Sportartikel auf die oberste Empfehlung. Es identifizierte erfolgreich, dass das unmittelbare Interesse des Nutzers die langfristige Gewohnheit überschrieben hatte. Diese Fähigkeit, plötzliche Verhaltensänderungen zu erkennen und darauf zu reagieren, ist das, was das System besonders effektiv für die schnelllebige Welt der Online-Nachrichten macht, in der sich die Aufmerksamkeit eines Nutzers innerhalb einer einzigen Minute ändern kann.

Die Forscher räumen ein, dass ihr System zwar ein bedeutender Schritt nach vorn ist, aber noch Arbeit zu leisten bleibt. Sie merken an, dass das Modell in der Lage ist, recht gut auf Nutzer mit begrenzter Interaktionshistorie zu generalisieren, jedoch nicht spezifisch darauf ausgelegt ist, das Cold-Start-Problem zu bewältigen. Sie weisen auch darauf hin, dass die Rechenkosten für den ständigen Aufbau dieser komplexen Graphen hoch sind, was eine Herausforderung für Echtzeitanwendungen darstellen könnte. Zukünftige Arbeiten werden sich darauf konzentrieren, das System schneller und effizienter zu machen sowie andere Arten von Informationen wie Bilder und Videos einzubeziehen, um besser zu verstehen, was Nutzer wollen. Trotz dieser Einschränkungen zeigt die Studie, dass es möglich ist, durch die Konzentration auf die Verbindungen zwischen Ereignissen anstatt nur auf die Ereignisse selbst, Empfehlungssysteme zu bauen, die viel besser auf die dynamische Natur des menschlichen Interesses abgestimmt sind.