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

En el vasto y agitado océano de las noticias en línea, encontrar una historia que realmente te importe se está volviendo cada vez más difícil. El puro volumen de artículos publicados cada minuto significa que, sin ayuda, un lector podría ahogarse en contenido que es irrelevante o desactualizado. Este es el problema de la recomendación personalizada: un sistema debe adivinar qué quiere leer una persona a continuación basándose en lo que ha leído antes. Durante mucho tiempo, los científicos de la computación han intentado resolver esto tratando el historial de un usuario como una lista estática, asumiendo que si alguien disfrutó un artículo político ayer, es probable que quiera otro hoy. Sin embargo, la atención humana es mucho más fluida de lo que sugiere una lista estática. Nuestros intereses derivan; una persona que pasa horas leyendo sobre política internacional puede cambiar repentinamente a deportes o entretenimiento debido a un evento de última hora, un cambio de humor o simplemente porque ya ha visto suficiente de un tema. El desafío para los sistemas de recomendación no es solo recordar lo que a un usuario le gusta, sino notar el momento en que su mente cambia y adaptarse instantáneamente.

Un equipo de investigadores de la Universidad Politécnica de Northwestern ha desarrollado una nueva forma de rastrear estos rápidos cambios de interés. Crearon un sistema llamado CTLGNN, que significa Red Neuronal de Grafo de Línea Temporal Continua (Continuous Temporal Line Graph Neural Network). En lugar de mirar el historial de un usuario como una simple secuencia de clics o un perfil fijo, este nuevo enfoque trata cada interacción individual entre una persona y un artículo de noticias como un evento único que influye en el siguiente. Los investigadores se dieron cuenta de que los métodos tradicionales a menudo pasan por alto las conexiones sutiles e inmediatas entre dos clics que ocurren cerca uno del otro en el tiempo. Para solucionar esto, construyeron un modelo que se centra en las relaciones entre estas interacciones en lugar de centrarse solo en los usuarios o en los artículos mismos.

El núcleo de su innovación es un cambio de perspectiva. Imagine un grafo donde los puntos representan usuarios e historias de noticias, y las líneas que los conectan representan un clic. La mayoría de los sistemas analizan los puntos para entender al usuario. Este nuevo sistema, sin embargo, convierte esas líneas de conexión en los puntos mismos. En su modelo, cada vez que un usuario hace clic en una noticia, ese clic específico se convierte en un nodo en un nuevo grafo especializado. Si un usuario hace clic en dos historias diferentes en rápida sucesión, o si dos usuarios diferentes hacen clic en la misma historia, estos "nodos-clic" se vinculan entre sí. Esto permite que la computadora vea el flujo de comportamiento directamente. Puede observar cómo un clic reciente en un artículo de deportes cambia inmediatamente el contexto para el siguiente clic, capturando la deriva de interés a medida que ocurre, en lugar de esperar a que emerja un patrón durante semanas.

Para manejar el panorama completo de las preferencias de un usuario, el sistema utiliza dos motores diferentes trabajando juntos. El primer motor observa el historial a largo plazo. Utiliza un método que divide el tiempo en instantáneas, analizando cómo han evolucionado los intereses de un usuario a lo largo de meses o años para construir una comprensión estable de quién es. El segundo motor es el componente nuevo, enfocado en eventos. Observa únicamente las interacciones más recientes, tratándolas como un flujo continuo de eventos. Al combinar estas dos visiones, el sistema puede equilibrar lo que un usuario disfruta generalmente con lo que le interesa en este preciso segundo. Si un usuario que suele leer sobre finanzas comienza de repente a hacer clic en recetas de cocina, el motor a largo plazo recuerda el interés por las finanzas, pero el motor a corto plazo identifica inmediatamente el interés por la cocina como la prioridad actual.

Los investigadores probaron este enfoque utilizando datos del mundo real de sitios web de noticias, incluyendo un conjunto de datos que contiene más de 100,000 usuarios y millones de impresiones de noticias. Compararon su nuevo sistema con otros catorce métodos líderes, que van desde rastreadores de secuencias simples hasta complejos modelos de grafos. Los resultados fueron claros: el nuevo sistema superó consistentemente a los demás. En las pruebas que medían qué tan bien podía el sistema predecir el siguiente artículo en el que un usuario haría clic, alcanzó puntuaciones más altas en precisión y relevancia que cualquier modelo anterior. Específicamente, en un conjunto de datos, alcanzó una puntuación de precisión del 84.15%, superando significativamente al siguiente mejor modelo. En otro conjunto de datos, alcanzó una puntuación de clasificación de 99.18%, lo que indica que era excepcionalmente bueno al colocar el artículo correcto en la cima de la lista.

El estudio también exploró por qué funcionaba tan bien el sistema eliminando partes de este para ver qué sucedía. Cuando los investigadores quitaron el seguimiento de eventos a corto plazo, el rendimiento del sistema cayó drásticamente, demostrando que capturar los cambios de interés inmediato es crucial. Cuando eliminaron el componente de historial a largo plazo, el sistema tuvo dificultades para mantener una comprensión consistente del usuario. Esto confirmó que la combinación de ambas visiones es necesaria para obtener los mejores resultados. Los investigadores también descubrieron que el sistema funcionaba mejor cuando consideraba las cinco interacciones más recientes. Mirar menos de cinco clics no proporcionaba suficiente contexto, mientras que mirar más de cinco comenzaba a incluir información desactualizada que confundía al modelo. Esto sugiere que los cambios de interés humano son impulsados a menudo por una ventana de actividad muy pequeña y reciente.

A través de estudios de caso detallados, los investigadores mostraron cómo su modelo maneja escenarios específicos donde otros sistemas fallan. En un ejemplo, un usuario que había estado leyendo noticias políticas durante mucho tiempo hizo clic repentinamente en un artículo de deportes. Los sistemas más antiguos continuaron recomendando noticias políticas, sin notar el cambio. El nuevo sistema, sin embargo, reconoció inmediatamente el cambio en el patrón de interacción reciente y posicionó el artículo de deportes como la principal recomendación. Identificó con éxito que el interés inmediato del usuario había anulado su hábito a largo plazo. Esta capacidad de detectar y actuar sobre cambios repentinos en el comportamiento es lo que hace que el sistema sea particularmente efectivo para el mundo acelerado de las noticias en línea, donde la atención de un usuario puede cambiar en el lapso de un solo minuto.

Los investigadores reconocen que, si bien su sistema es un paso significativo hacia adelante, aún queda trabajo por hacer. Señalan que el modelo es capaz de generalizar bastante bien para usuarios con historiales de interacción limitados, aunque no está diseñado específicamente para abordar el problema del arranque en frío (cold-start). También señalan que el costo computacional de construir constantemente estos grafos complejos es alto, lo que podría ser un desafío para las aplicaciones en tiempo real. El trabajo futuro se centrará en hacer que el sistema sea más rápido y eficiente, así como en incorporar otros tipos de información como imágenes y videos para entender mejor lo que los usuarios desean. A pesar de estas limitaciones, el estudio demuestra que, al centrarse en las conexiones entre eventos en lugar de solo en los eventos mismos, es posible construir sistemas de recomendación que estén mucho más sintonizados con la naturaleza dinámica del interés humano.