Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay
यह शोध पत्र SDF को प्रस्तुत करता है, जो गूगल डिस्कवर (Google Discover) में तैनात एक डुअल-फ़िल्टर फ्रेमवर्क है जो आइटम सुपरसेडेशन (item supersession) का पता लगाने और प्रासंगिकता क्षय (relevance decay) की भविष्यवाणी करने के लिए सीखे गए मॉडलों का उपयोग करता है, जिसने स्टेल कंटेंट (stale content) की रिपोर्टों को 54.9% तक सफलतापूर्वक कम किया है और साथ ही उपयोगकर्ता जुड़ाव और सिस्टम दक्षता में सुधार किया है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल सूचना के विशाल और निरंतर बदलते परिदृश्य में, प्रासंगिकता एक क्षणभंगुर वस्तु है। रिकमेंडर सिस्टम (अनुशंसा प्रणाली), जो हमारे स्क्रीन पर दिखने वाली सामग्री को क्यूरेट करने वाले इंजन हैं, एक ऐसी दुनिया में काम करते हैं जहाँ समाचार हर घंटे बदलते हैं और किसी कहानी का महत्व एक नए घटनाक्रम के होते ही गायब हो सकता है। इन प्रणालियों के लिए, सामग्री केवल पुरानी नहीं होती; वह 'बासी' (stale) हो जाती है। यह बासीपन दो अलग-अलग शक्तियों से उत्पन्न होता है। पहला, एक कहानी अचानक तब निरस्त हो सकती है जब कोई नया अपडेट कथा को विरोधाभासी या पूर्ण बना देता है, जिससे पिछला संस्करण तथ्यात्मक रूप से अधूरा या भ्रामक हो जाता है। दूसरा, सामग्री के मूल्य में स्वाभाविक गिरावट आ सकती है, जहाँ किसी विशिष्ट घटना के लिए बनाया गया गाइड या समय-संवेदनशील टिप, इस बात की परवाह किए बिना कि कोई नई कहानी आई है या नहीं, अपना उपयोग खो देती है। जब ये प्रणालियाँ इन बदलावों को पहचानने में विफल रहती हैं, तो वे पुरानी सामग्री परोसना जारी रखती हैं, जिससे उपयोगकर्ता निराश होते हैं और फीड उन सूचनाओं से भर जाती है जो अब किसी उद्देश्य की पूर्ति नहीं करतीं।
गूगल के शोधकर्ताओं ने इस व्यापक समस्या से निपटने के लिए SDF नामक एक नया दृष्टिकोण विकसित किया है, जो एक डुअल-फ़िल्टर सिस्टम है जिसे सामग्री के उपयोगकर्ता की स्क्रीन तक पहुँचने से पहले ही उसे पहचानने और हटाने के लिए डिज़ाइन किया गया है। गूगल डिस्कवर (Google Discover) के भीतर तैनात यह प्रणाली, जो प्रतिदिन करोड़ों लोगों द्वारा उपयोग किया जाने वाला एक व्यक्तिगत फीड है, अतीत के कच्चे तरीकों जैसे कि लेखों को कुछ दिनों के बाद केवल हटा देना या उन्हें प्राप्त क्लिक्स की संख्या पर निर्भर रहना, से आगे निकल जाती है। इसके बजाय, टीम ने दो विशेष फ़िल्टर बनाए हैं जो सूचना के जीवन चक्र को समझने के लिए मिलकर काम करते हैं। एक फ़िल्टर कहानियों के बीच संबंधों को देखता है, यह पता लगाता है कि कब एक नया आगमन किसी पुराने को अप्रचलित बना देता है। दूसरा फ़िल्टर स्वयं सामग्री का परीक्षण करता है ताकि यह अनुमान लगाया जा सके कि समय के साथ इसका मूल्य कितनी तेज़ी से कम होगा। इन दो दृष्टिकोणों को जोड़कर, यह प्रणाली एक सक्रिय द्वारपाल (gatekeeper) के रूप में कार्य करती है, जो लेखों के संभावित पूल को छाँटती है ताकि यह सुनिश्चित हो सके कि केवल ताज़ा, प्रासंगिक और उपयोगी सामग्री ही रैंकिंग और प्रदर्शन के लिए आगे बढ़े।
शोधकर्ताओं ने जिस पहले चुनौती का समाधान किया वह थी 'सुपरसेसन' (supersession), वह क्षण जब एक नई कहानी किसी पुरानी कहानी को पुराना बना देती है। यह समय बीतने का मामला नहीं है, बल्कि कथा के विकास का मामला है। उदाहरण के लिए, एक प्रारंभिक रिपोर्ट जिसमें कहा गया है कि एक सार्वजनिक व्यक्ति चिकित्सा देखरेख में है, वह उसी क्षण बासी हो जाती है जब एक घोषणा पुष्टि करती है कि उनका निधन हो गया है। इन क्षणों को पकड़ने के लिए, टीम ने एक रिलेशनल फ़िल्टर विकसित किया जो लेखों के जोड़ों की तुलना करता है। चूंकि लाखों लेखों के जोड़ों को मैन्युअल रूप से लेबल करना ताकि कंप्यूटर को यह कौशल सिखाया जा सके, असंभव है, इसलिए उन्होंने एक बड़े लैंग्वेज मॉडल (LLM) का उपयोग करके सिंथेटिक प्रशिक्षण डेटा तैयार किया। इस मॉडल ने दो लेखों को पढ़ना और यह निर्धारित करना सीखा कि क्या नया लेख पुराने लेख की कहानी का खंडन करता है या उसे पूरा करता है। इस बड़े मॉडल के ज्ञान को फिर एक छोटे, तेज़ 'स्टूडेंट मॉडल' में समाहित (distill) किया गया जो वास्तविक समय में ये निर्णय लेने में सक्षम है। इस फ़िल्टर ने सफलतापूर्वक उन मामलों की पहचान की जहाँ एक नए अपडेट ने पिछली रिपोर्ट को अप्रचलित बना दिया, जैसे कि जब अंतिम चुनाव परिणाम ने एक अनुमान की जगह ली या जब एक पुष्ट कीमत ने अफवाह की जगह ली।
दूसरा चुनौती थी 'रेलेवेंस डिके' (relevance decay), यानी किसी वस्तु के मूल्य में प्राकृतिक गिरावट जब उसके अवसर की विशिष्ट खिड़की बंद हो जाती है। उल्कापात (meteor shower) के लिए एक गाइड उस घटना की रात अविश्वसनीय रूप से उपयोगी होता है, लेकिन अगली सुबह अप्रासंगिक हो जाता है, जबकि एक स्थानीय उत्सव के लिए गाइड कई दिनों तक उपयोगी रह सकता है। सुपरसेसन के विपरीत, यह क्षय सामग्री के भीतर आंतरिक है, न कि किसी नए प्रतिस्पर्धी पर निर्भर है। इसे हल करने के लिए, शोधकर्ताओं ने एक मॉडल बनाया जो किसी आइटम के "ट्रैफिक रेशियो" (traffic ratio) की भविष्यवाणी करता है। लेख के भीतर टेक्स्ट, इमेज और वीडियो का विश्लेषण करके, मॉडल यह पूर्वानुमान लगाता है कि भविष्य में एक निश्चित समय तक उस आइटम का कुल लाइफटाइम ट्रैफिक कितना संचित हो जाएगा। यदि मॉडल भविष्यवाणी करता है कि किसी आइटम ने उस ट्रैफ़िक का एक बड़ा हिस्सा पहले ही प्राप्त कर लिया है जो उसे कभी भी प्राप्त होना था, तो वह आइटम को 'बासी' के रूप में चिह्नित कर देता है। यह सिस्टम को अपने इवेंट विंडो के समाप्त होते ही समय-संवेदनशील गाइड्स को तुरंत छोड़ने की अनुमति देता है, जबकि स्वास्थ्य संबंधी सलाह जैसी 'एवरग्रीन' सामग्री को लंबे समय तक उपलब्ध रखता है।
इस प्रणाली की शक्ति इस बात में निहित है कि ये दोनों फ़िल्टर कैसे मिलकर काम करते हैं। वे स्वतंत्र रूप से कार्य करते हैं, सुपरसेसन और डिके की अलग-अलग जाँच करते हैं, और फिर अपने निष्कर्षों को मिलाते हैं। यदि कोई भी फ़िल्टर तय करता है कि कोई आइटम बासी है, तो रैंकिंग प्रक्रिया के भारी कम्प्यूटेशनल चरणों तक पहुँचने से पहले ही उस आइटम को उम्मीदवारों के पूल से हटा दिया जाता है। यह न केवल उपयोगकर्ता जो देखते हैं उसकी गुणवत्ता में सुधार करता है बल्कि उस सामग्री को प्रोसेस करने से बचकर महत्वपूर्ण कंप्यूटिंग पावर भी बचाता है जिसे अनदेखा किया जाना ही है। ऑनलाइन परीक्षणों में, यह दृष्टिकोण अत्यधिक प्रभावी साबित हुआ। इस प्रणाली ने साधारण आयु सीमाओं या एंगेजमेंट थ्रेशोल्ड पर निर्भर पुराने तरीकों की तुलना में फीड में बासी सामग्री की व्यापकता को काफी कम कर दिया। डुअल-फ़िल्टर फ्रेमवर्क ने उन विशिष्ट प्रकार की बासी सामग्री को पकड़ने में सफलता प्राप्त की जिसे पिछले सिस्टम मिस कर देते थे, यह प्रदर्शित करते हुए कि इन दो तंत्रों को अलग-अलग समस्याओं के रूप में देखना, उन्हें एक एकल, कुंद उपकरण (blunt instrument) से हल करने की तुलना में बेहतर परिणाम देता है।
दो साल के वास्तविक दुनिया के परिनियोजन (deployment) के दौरान, इस प्रणाली के प्रभाव को उपयोगकर्ता फीडबैक के माध्यम से मापा गया। बासी सामग्री के बारे में उपयोगकर्ताओं द्वारा दर्ज की गई शिकायतों की संख्या आधे से अधिक कम हो गई, जो उपयोगकर्ता अनुभव में एक बड़ा सुधार है। विशेष रूप से, सुपरसेड (superseded) समाचार कहानियों के बारे में रिपोर्ट लगभग दो-तिहाई कम हो गईं, जबकि स्वाभाविक रूप से प्रासंगिकता खो चुकी सामग्री के बारे में शिकायतें लगभग एक-तिहाई कम हो गईं। सिस्टम ने फीड के समग्र स्वास्थ्य में भी सुधार किया, जिससे सकारात्मक उपयोगकर्ता जुड़ाव में मामूली वृद्धि और विषयों की एक अधिक विविध श्रेणी मिली। हालांकि यह प्रणाली पूर्ण नहीं है और कभी-कभी सूक्ष्म मामलों को चूक जाती है या ऐसी सामग्री का गलत आकलन करती है जिसे उपयोगकर्ताओं ने पहले ही कहीं और देख लिया है, फिर भी यह एक जटिल औद्योगिक समस्या के लिए एक मजबूत और स्केलेबल समाधान का प्रतिनिधित्व करती है। 'स्टेलेनेस' (staleness) की अवधारणा को उसके रिलेशनल और इंट्रिन्सिक घटकों में विभाजित करके, शोधकर्ताओं ने डिजिटल सामग्री को ताज़ा रखने के लिए एक नया प्रतिमान स्थापित किया है, यह सुनिश्चित करते हुए कि उपयोगकर्ताओं तक पहुँचने वाली जानकारी न केवल लोकप्रिय है, बल्कि सामयिक और सटीक भी है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।