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

Dans l'océan vaste et tumultueux de l'actualité en ligne, trouver une histoire qui vous importe vraiment devient de plus en plus difficile. Le volume considérable d'articles publiés chaque minute signifie que, sans aide, un lecteur pourrait se noyer dans un contenu non pertinent ou obsolète. C'est le problème de la recommandation personnalisée : un système doit deviner ce qu'une personne veut lire ensuite en se basant sur ce qu'elle a lu auparavant. Pendant longtemps, les informaticiens ont tenté de résoudre ce problème en traitant l'historique d'un utilisateur comme une liste statique, supposant que si quelqu'un a aimé un article politique hier, il voudra probablement un autre article aujourd'hui. Cependant, l'attention humaine est bien plus fluide que ne le suggère une liste statique. Nos intérêts dérivent ; une personne qui passe des heures à lire sur la politique internationale peut soudainement passer aux sports ou au divertissement en raison d'un événement de dernière minute, d'un changement d'humeur, ou simplement parce qu'elle a assez vu un sujet. Le défi pour les systèmes de recommandation n'est pas seulement de se souvenir de ce qu'un utilisateur aime, mais de remarquer le moment où son esprit dévie et de s'adapter instantanément.

Une équipe de chercheurs de l'Université polytechnique du Nord-Ouest a développé une nouvelle façon de suivre ces changements rapides d'intérêt. Ils ont créé un système appelé CTLGNN, qui signifie Continuous Temporal Line Graph Neural Network (Réseau de neurones graphiques de ligne temporelle continue). Au lieu de considérer l'historique d'un utilisateur comme une simple séquence de clics ou un profil fixe, cette nouvelle approche traite chaque interaction entre une personne et un article de presse comme un événement unique qui influence le suivant. Les chercheurs ont réalisé que les méthodes traditionnelles manquent souvent les connexions subtiles et immédiates entre deux clics qui se produisent à un intervalle de temps rapproché. Pour corriger cela, ils ont construit un modèle qui se concentre sur les relations entre ces interactions plutôt que sur les utilisateurs ou les articles eux-mêmes.

Le cœur de leur innovation est un changement de perspective. Imaginez un graphe où les points représentent les utilisateurs et les articles de presse, et les lignes les reliant représentent un clic. La plupart des systèmes analysent les points pour comprendre l'utilisateur. Ce nouveau système, cependant, transforme ces lignes de connexion en points eux-mêmes. Dans leur modèle, chaque fois qu'un utilisateur clique sur un article de presse, ce clic spécifique devient un nœud dans un nouveau graphe spécialisé. Si un utilisateur clique sur deux articles différents en succession rapide, ou si deux utilisateurs différents cliquent sur le même article, ces « nœuds-clic » sont liés entre eux. Cela permet à l'ordinateur de voir directement le flux de comportement. Il peut observer comment un clic récent sur un article de sport modifie immédiatement le contexte du clic suivant, capturant la dérive de l'intérêt au fur et à mesure qu'elle se produit, plutôt que d'attendre qu'un modèle émerge sur plusieurs semaines.

Pour gérer l'image complète des préférences d'un utilisateur, le système utilise deux moteurs différents travaillant ensemble. Le premier moteur examine l'historique à long terme. Il utilise une méthode qui divise le temps en instantanés (snapshots), analysant comment les intérêts d'un utilisateur ont évolué sur des mois ou des années pour construire une compréhension stable de qui il est. Le second moteur, l'élément axé sur l'événement, est le composant focalisé sur l'événement. Il regarde uniquement les interactions les plus récentes, les traitant comme un flux continu d'événements. En combinant ces deux vues, le système peut équilibrer ce qu'un utilisateur aime généralement avec ce qui l'intéresse à cet instant précis. Si un utilisateur qui lit habituellement sur la finance commence soudainement à cliquer sur des recettes de cuisine, le moteur à long terme se souvient de l'intérêt pour la finance, mais le moteur à court terme signale immédiatement l'intérêt pour la cuisine comme la priorité actuelle.

Les chercheurs ont testé cette approche en utilisant des données réelles provenant de sites d'actualités, incluant un ensemble de données contenant plus de 100 000 utilisateurs et des millions d'impressions de nouvelles. Ils ont comparé leur nouveau système à quatorze autres méthodes de pointe, allant de simples traqueurs de séquences à des modèles graphiques complexes. Les résultats étaient clairs : le nouveau système a systématiquement surpassé les autres. Lors de tests mesurant la capacité du système à prédire le prochain article sur lequel un utilisateur cliquerait, il a obtenu des scores plus élevés en précision et en pertinence que tous les modèles précédents. Spécifiquement, sur un ensemble de données, il a atteint un score de précision de 84,15 %, battant nettement le deuxième meilleur modèle. Sur un autre ensemble de données, il a obtenu un score de classement de 99,18 %, indiquant qu'il était exceptionnellement doué pour placer l'article correct en haut de la liste.

L'étude a également exploré pourquoi le système fonctionnait si bien en supprimant certaines parties de celui-ci pour voir ce qui se passerait. Lorsque les chercheurs ont retiré le suivi des événements à court terme, la performance du système a chuté brutalement, prouvissant que la capture des changements d'intérêt immédiats est cruciale. Lorsqu'ils ont retiré la composante de l'historique à long terme, le système a eu du mal à maintenir une compréhension cohérente de l'utilisateur. Cela a confirmé que la combinaison de ces deux vues est nécessaire pour obtenir les meilleurs résultats. Les chercheurs ont également constaté que le système fonctionnait mieux lorsqu'il considérait les cinq interactions les plus récentes. Examiner moins de cinq clics ne fournissait pas assez de contexte, tandis qu'en examiner plus de cinq commençait à inclure des informations obsolètes qui confusaient le modèle. Cela suggère que les changements d'intérêt humain sont souvent dictés par une fenêtre d'activité très récente et restreinte.

À travers des études de cas détaillées, les chercheurs ont montré comment leur modèle gère des scénarios spécifiques où les autres systèmes échouent. Dans un exemple, un utilisateur qui lisait des informations politiques depuis longtemps a soudainement cliqué sur un article de sport. Les anciens systèmes continuaient de recommander des informations politiques, ne parvenant pas à remarquer le changement. Le nouveau système, cependant, a immédiatement reconnu le changement dans le schéma d'interaction récent et a classé l'article de sport comme la recommandation principale. Il a réussi à identifier que l'intérêt immédiat de l'utilisateur avait supplanté son habitude à long terme. Cette capacité à détecter et à agir sur les changements soudains de comportement est ce qui rend ce système particulièrement efficace pour le monde rapide de l'actualité en ligne, où l'attention d'un utilisateur peut changer en l'espace d'une seule minute.

Les chercheurs reconnaissent que, bien que leur système soit une avancée significative, du travail reste à faire. Ils notent que le modèle est capable de généraliser assez bien pour les utilisateurs ayant des historiques d'interaction limités, bien qu'il ne soit pas spécifiquement conçu pour traiter le problème du démarrage à froid (cold-start). Ils soulignent également que le coût computationnel de la construction constante de ces graphes complexes est élevé, ce qui pourrait être un défi pour les applications en temps réel. Les travaux futurs se concentreront sur la manière de rendre le système plus rapide et plus efficace, ainsi que sur l'intégration d'autres types d'informations comme les images et les vidéos pour mieux comprendre ce que les utilisateurs veulent. Malgré ces limites, l'étude démontre qu'en se concentrant sur les connexions entre les événements plutôt que sur les événements eux-mêmes, il est possible de construire des systèmes de recommandation beaucoup plus en phase avec la nature dynamique de l'intérêt humain.