MACRDR: Enhancing Interest Discovery and Diversity in News Recommendation via Multi-Agent Reflection
यह शोध पत्र MACRDR का प्रस्ताव करता है, जो एक मल्टी-एजेंट सहयोग और प्रतिबिंब ढांचा (multi-agent collaboration and reflection framework) है जो इस प्रक्रिया को एक गतिशील इरादा अंशांकन तंत्र (dynamic intent calibration mechanism) के रूप में पुनर्गठित करके समाचार अनुशंसा की विविधता और रुचि की खोज को बढ़ाता है, जहाँ भविष्य कहने वाले (predictive) और प्रतिबिंबशील (reflective) एजेंट फिल्टर बबल को कम करने और विकसित होती प्राथमिकताओं को पकड़ने के लिए उपयोगकर्ता प्रोफाइल को सहयोगात्मक रूप से समायोजित करते हैं।
मूल पेपर CC BY 4.0 (https://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
कल्पना कीजिए कि आप एक विशाल, अनंत पुस्तकालय में घूम रहे हैं जहाँ हर बार आपके द्वारा किसी किताब को देखने पर अलमारियाँ खुद को फिर से व्यवस्थित कर लेती हैं। यह न्यूज़ रिकमेंडेशन (समाचार अनुशंसा) की दुनिया है, जो कंप्यूटर विज्ञान की एक शाखा है जिसे सूचना के सागर में दिलचस्प कहानियाँ खोजने में हमारी मदद करने के लिए डिज़ाइन किया गया है। लंबे समय से, ये सिस्टम उन अति-सुरक्षात्मक पुस्तकालयाध्यक्षों (लाइब्रेरियन) की तरह काम करते रहे हैं जो आपको केवल वही किताबें थमाते हैं जो बिल्कुल वैसी ही दिखती हैं जैसी आपने पहले पढ़ी हैं। यदि आपको साइंस-फिक्शन पसंद है, तो आपको और अधिक साइंस-फिक्शन मिलता है; यदि आपको खाना बनाना पसंद है, तो आपको और अधिक रेसिपी मिलती हैं। हालाँकि यह आरामदायक महसूस होता है, लेकिन यह एक "फ़िल्टर बबल" बनाता है—एक आरामदायक लेकिन छोटा कमरा जहाँ आप कभी कुछ नया नहीं देख पाते, और आपकी दुनिया बड़ी होने के बजाय छोटी होती जाती है।
इसे ठीक करने के लिए, वैज्ञानिकों ने दो मुख्य तरकीबें आजमाई हैं। एक यह है कि लाइब्रेरियन को चीज़ों में विविधता लाने के लिए बस एक रैंडम (यादृच्छिक) किताब बीच में डालने के लिए मजबूर करना, लेकिन वह किताब उबाऊ या अप्रासंगिक हो सकती है। दूसरी यह है कि यह अनुमान लगाने की कोशिश करना कि आपको आगे क्या पसंद हो सकता है, लेकिन कंप्यूटर अक्सर केवल आपके अतीत के आधार पर अनुमान लगाने में फंस जाते हैं, इस तथ्य को भूल जाते हैं कि शायद आज आपका मन बदल गया हो। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह है: हम एक ऐसा सिस्टम कैसे बनाएं जो यह जानता हो कि आपको अभी क्या पसंद है, लेकिन वह आपको कुछ ऐसा दिखाने के लिए भी साहसी हो जो आपने पहले कभी नहीं देखा है, इस संभावना के साथ कि वह आपका नया पसंदीदा बन जाए?
यहाँ आता है MACRDR, जो चीन के कम्युनिकेशन यूनिवर्सिटी के शोधकर्ताओं का एक नया विचार है। MACRDR को एक एकल लाइब्रेरियन के रूप में नहीं, बल्कि एक हाई-टेक कंट्रोल रूम में मिलकर काम करने वाले पाँच विशिष्ट एजेंटों की एक टीम के रूप में समझें, जो एक "रिफ्लेक्शन" (प्रतिबिंब) प्रक्रिया का उपयोग करके यह पता लगाते हैं कि आप वास्तव में क्या चाहते हैं। केवल आपके इतिहास को देखने के बजाय, यह सिस्टम "अनुमान और सुधार" का खेल खेलता है। पहले, एक प्रेडिक्टर एजेंट (विशेष रूप से एक्शन एजेंट) आपके प्रोफाइल के आधार पर यह अनुमान लगाता है कि आप अगली बार किस चीज़ पर क्लिक करेंगे। फिर, एक रिफ्लेक्टर एजेंट देखता है कि आप वास्तव में किस चीज़ पर क्लिक करते हैं। यदि आपके वास्तविक क्लिक अनुमान से अलग हैं, तो रिफ्लेक्टर केवल कंधे नहीं उचकाता; वह एक "कॉग्निटिव पैच" (संज्ञानात्मक पैच) लिखता है—एक छोटा सा नोट जिसमें लिखा होता है, "हे, उपयोगकर्ता वास्तव में इस नए विषय में रुचि रख रहा है, न कि केवल पुरानी चीज़ों में!"
यह टीम एक विशेष डायनेमिक प्रोफाइल मेमोरी का उपयोग करती है जो एक वर्जन-कंट्रोल वाली डायरी की तरह काम करती है। आपके पुराने हितों को मिटाने के बजाय, यह आपकी रुचियों के बदलने के टाइमलाइन को बनाए रखती है, और हर उस समय के बारे में नोट्स सहेजती है जब आपकी पसंद बदली थी। जब आपको समाचार दिखाने का समय आता है, तो एक एक्शन एजेंट एक मानक सर्च इंजन से प्रासंगिक लेखों की सूची लेता है और इन "कॉग्निविटिव पैच" का उपयोग करके ताश के पत्तों को फिर से व्यवस्थित करता है। यह सुरक्षित, प्रासंगिक समाचारों को ऊपर रखता है लेकिन उन नए, आश्चर्यजनक विषयों को निचले स्थानों में चुपके से डाल देता है, जिससे आपको कुछ ऐसा खोजने का मौका मिलता है जिसे आप नहीं जानते थे कि आपको पसंद आएगा।
शोधकर्ताओं ने इस सिस्टम का परीक्षण वास्तविक न्यूज़ क्लिक्स के एक विशाल डेटासेट, जिसे MIND कहा जाता है, पर किया। उन्होंने पाया कि MACRDR ने सफलतापूर्वक फ़िल्टर बबल को तोड़ दिया। उनके सिमुलेशन में, सिस्टम ने केवल रैंडम अनुमान नहीं लगाया; इसने वास्तव में उपयोगकर्ताओं के नए हितों की खोज लगभग 26.43% समय (IDR@5 नामक मीट्रिक द्वारा मापा गया) किया, जो उनके द्वारा तुलना किए गए अन्य सभी तरीकों से अधिक था। इसने अपनी सिफारिशों को सटीक बनाए रखने में भी सफलता प्राप्त की, जिसका अर्थ है कि आपको अभी भी वह समाचार मिलते रहे जिनकी आपको परवाह थी, लेकिन एक स्वस्थ आश्चर्य के साथ। अध्ययन बताता है कि अनुशंसा (रिकमेंडेशन) को एक प्रेडिक्टर और एक रिफ्लेक्टर के बीच एक गतिशील बातचीत के रूप में मानकर, न कि एक स्थिर सूची के रूप में, हम ऐसे न्यूज़ फीड बना सकते हैं जो हमारी रुचियों को सीमित करने के बजाय उन्हें विकसित करने में मदद करते हैं।
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।