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

ऑनलाइन समाचारों के विशाल, उथल-पुथल भरे महासागर में, ऐसी कहानी ढूँढना जो वास्तव में आपके लिए मायने रखती हो, तेजी से कठिन होता जा रहा है। हर मिनट प्रकाशित होने वाले लेखों की भारी मात्रा का अर्थ यह है कि बिना सहायता के, एक पाठक अप्रासंगिक या पुराने कंटेंट में डूब सकता है। यह व्यक्तिगत अनुशंसा (पर्सनलाइज्ड रिकमेंडेशन) की समस्या है: एक सिस्टम को यह अनुमान लगाना चाहिए कि कोई व्यक्ति आगे क्या पढ़ना चाहता है, इसके आधार पर कि उसने पहले क्या पढ़ा है। लंबे समय से, कंप्यूटर वैज्ञानिकों ने उपयोगकर्ता के इतिहास को एक स्थिर सूची (स्टैटिक लिस्ट) मानकर इसे हल करने की कोशिश की है, यह मानते हुए कि यदि किसी ने कल एक राजनीतिक लेख पसंद किया था, तो वह आज भी एक और चाहत रखेगा। हालाँकि, मानव ध्यान एक स्थिर सूची की तुलना में कहीं अधिक तरल होता है। हमारी रुचियाँ बदलती रहती हैं; एक व्यक्ति जो अंतरराष्ट्रीय राजनीति के बारे में घंटों पढ़ता है, वह किसी ब्रेकिंग इवेंट, मूड में बदलाव, या बस इसलिए कि उसने एक विषय को पर्याप्त देख लिया है, अचानक खेल या मनोरंजन की ओर स्विच कर सकता है। अनुशंसा प्रणालियों के लिए चुनौती केवल यह याद रखना नहीं है कि उपयोगकर्ता क्या पसंद करता है, बल्कि यह नोटिस करना है कि उसका मन कब बदला और तुरंत उसके अनुसार ढलना है।

नॉर्थवेस्टर्न पॉलिटेक्निकल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इन रुचियों के तीव्र परिवर्तनों को ट्रैक करने का एक नया तरीका विकसित किया है। उन्होंने CTLGNN नामक एक सिस्टम बनाया है, जिसका अर्थ है 'कंटीन्यूअस टेम्पोरल लाइन ग्राफ न्यूरल नेटवर्क'। उपयोगकर्ता के इतिहास को क्लिकों की एक साधारण श्रृंखला या एक निश्चित प्रोफाइल के रूप में देखने के बजाय, यह नया दृष्टिकोण प्रत्येक व्यक्ति और समाचार लेख के बीच के हर एक इंटरैक्शन को एक अनूठे इवेंट के रूप में मानता है जो अगले इवेंट को प्रभावित करता है। शोधकर्ताओं ने महसूस किया कि पारंपरिक तरीके अक्सर उन सूक्ष्म, तत्काल संबंधों को मिस कर देते हैं जो समय के करीब होने वाले दो क्लिक्स के बीच होते हैं। इसे ठीक करने के लिए, उन्होंने एक ऐसा मॉडल बनाया जो केवल उपयोगकर्ताओं या लेखों के बजाय इन इंटरैक्शन के बीच के संबंधों पर ध्यान केंद्रित करता है।

उनकी नवाचार का मूल एक दृष्टिकोण में बदलाव है। एक ग्राफ की कल्पना करें जहाँ बिंदु उपयोगकर्ताओं और समाचार कहानियों का प्रतिनिधित्व करते हैं, और उन्हें जोड़ने वाली रेखाएं एक क्लिक का प्रतिनिधित्व करती हैं। अधिकांश सिस्टम उपयोगकर्ता को समझने के लिए बिंदुओं का विश्लेषण करते हैं। हालाँकि, यह नया सिस्टम उन जोड़ने वाली रेखाओं को ही बिंदुओं में बदल देता है। उनके मॉडल में, हर बार जब एक उपयोगकर्ता किसी समाचार कहानी पर क्लिक करता है, तो वह विशिष्ट क्लिक एक नए, विशेष ग्राफ में एक 'नोड' बन जाता है। यदि एक उपयोगकर्ता तेजी से दो अलग-अलग कहानियों पर क्लिक करता है, या यदि दो अलग-अलग उपयोगकर्ता एक ही कहानी पर क्लिक करते हैं, तो ये "क्लिक-नोड्स" एक साथ जुड़ जाते हैं। यह कंप्यूटर को व्यवहार के प्रवाह को सीधे देखने की अनुमति देता है। यह देख सकता है कि कैसे एक स्पोर्ट्स आर्टिकल पर हालिया क्लिक तुरंत अगले क्लिक के संदर्भ को बदल देता है, जिससे रुचि के बदलाव को पैटर्न उभरने का इंतजार किए बिना, होते ही पकड़ लिया जाता है।

उपयोगकर्ता की प्राथमिकताओं की पूरी तस्वीर को संभालने के लिए, सिस्टम दो अलग-अलग इंजनों का उपयोग करता है जो एक साथ काम करते हैं। पहला इंजन दीर्घकालिक इतिहास को देखता है। यह समय को स्नैपशॉट्स में विभाजित करने की विधि का उपयोग करता है, जो यह विश्लेषण करता है कि महीनों या वर्षों में उपयोगकर्ता की रुचियां कैसे विकसित हुई हैं ताकि वे कौन हैं, इसकी एक स्थिर समझ बनाई जा सके। दूसरा इंजन, नया, इवेंट-केंद्रित घटक है। यह केवल हाल के इंटरैक्शन को देखता है, उन्हें घटनाओं की एक निरंतर धारा के रूप में मानता है। इन दोनों दृश्यों को जोड़कर, सिस्टम यह संतुलन बना सकता है कि उपयोगकर्ता सामान्य रूप से क्या पसंद करता है और वह इस सटीक क्षण में किसमें रुचि रखता है। यदि कोई उपयोगकर्ता जो आमतौर पर फाइनेंस के बारे में पढ़ता है, अचानक कुकिंग रेसिपी पर क्लिक करने लगता है, तो लॉन्ग-टर्म इंजन फाइनेंस की रुचि को याद रखता है, लेकिन शॉर्ट-टर्म इंजन तुरंत कुकिंग की रुचि को वर्तमान प्राथमिकता के रूप में फ्लैग कर देता है।

शोधकर्ताओं ने वास्तविक दुनिया के डेटा का उपयोग करके इस दृष्टिकोण का परीक्षण किया, जिसमें न्यूज़ वेबसाइटों का डेटा शामिल था, जिसमें 100,000 से अधिक उपयोगकर्ताओं और लाखों न्यूज़ इम्प्रेसन्स वाला एक डेटासेट था। उन्होंने अपनी नई प्रणाली की तुलना चौदह अन्य अग्रणी तरीकों से की, जिनमें सरल सीक्वेंस ट्रैकर्स से लेकर जटिल ग्राफ मॉडल तक शामिल थे। परिणाम स्पष्ट थे: नया सिस्टम लगातार दूसरों से बेहतर प्रदर्शन करता रहा। उन परीक्षणों में कि सिस्टम अगले लेख की भविष्यवाणी कितनी अच्छी तरह कर सकता है जिसे उपयोगकर्ता क्लिक करेगा, इसने पिछले सभी मॉडलों की तुलना में उच्च सटीकता और प्रासंगिकता स्कोर प्राप्त किया। विशेष रूप से, एक डेटासेट पर, इसने 84.15% का सटीकता स्कोर प्राप्त किया, जो अगले सर्वश्रेष्ठ मॉडल से काफी बेहतर था। दूसरे डेटासेट पर, इसने 99.18% का रैंकिंग स्कोर प्राप्त किया, जो दर्शाता है कि यह सही लेख को शीर्ष सूची में रखने में असाधारण रूप से अच्छा था।

अध्ययन ने यह भी पता लगाया कि यह सिस्टम इतना अच्छा क्यों काम करता है, इसके लिए इसके हिस्सों को हटाकर देखा गया कि क्या होता है। जब शोधकर्ताओं ने शॉर्ट-टर्म इवेंट ट्रैकिंग को हटाया, तो सिस्टम का प्रदर्शन तेजी से गिर गया, जिससे यह सिद्ध हुआ कि तत्काल रुचि के बदलावों को पकड़ना महत्वपूर्ण है। जब उन्होंने लॉन्ग-टर्म हिस्ट्री कंपोनेंट को हटाया, तो सिस्टम उपयोगकर्ता की निरंतर समझ बनाए रखने में संघर्ष करता रहा। इसने पुष्टि की कि सर्वोत्तम परिणामों के लिए दोनों दृश्यों का संयोजन आवश्यक है। शोधकर्ताओं ने यह भी पाया कि सिस्टम तब सबसे अच्छा काम करता है जब यह पांच सबसे हालिया इंटरैक्शन पर विचार करता है। पांच से कम क्लिक देखने पर पर्याप्त संदर्भ नहीं मिल पाता था, जबकि पांच से अधिक देखने से पुराना डेटा शामिल होने लगा जो मॉडल को भ्रमित करने लगा। यह सुझाव देता है कि मानव रुचि के बदलाव अक्सर गतिविधि की एक बहुत छोटी, हालिया विंडो द्वारा संचालित होते हैं।

विस्तृत केस स्टडीज के माध्यम से, शोधकर्ताओं ने दिखाया कि कैसे उनका मॉडल उन विशिष्ट परिदृश्यों को संभालता है जहाँ अन्य सिस्टम विफल हो जाते हैं। एक उदाहरण में, एक उपयोगकर्ता जो लंबे समय से राजनीतिक समाचार पढ़ रहा था, अचानक एक स्पोर्ट्स आर्टिकल पर क्लिक करता है। पुराने सिस्टम राजनीतिक समाचारों की सिफारिश करना जारी रखते हैं, बदलाव को नोटिस करने में विफल रहते हैं। हालाँकि, नया सिस्टम तुरंत हाल के इंटरैक्शन पैटर्न में बदलाव को पहचान लेता है और स्पोर्ट्स आर्टिकल को शीर्ष अनुशंसा के रूप में रैंक करता है। इसने सफलतापूर्वक पहचाना कि उपयोगकर्ता की तात्कालिक रुचि ने उसकी दीर्घकालिक आदत को ओवरराइड कर दिया है। व्यवहार में अचानक बदलावों को पहचानने और उन पर कार्य करने की यह क्षमता ही इस सिस्टम को विशेष रूप से प्रभावी बनाती है, जहाँ ऑनलाइन समाचारों की तेज़ गति में, एक उपयोगकर्ता का ध्यान एक मिनट के भीतर भी बदल सकता है।

शोधकर्ता स्वीकार करते हैं कि हालांकि उनका सिस्टम एक महत्वपूर्ण कदम है, फिर भी अभी भी काम किया जाना बाकी है। वे नोट करते हैं कि मॉडल सीमित इंटरैक्शन इतिहास वाले उपयोगकर्ताओं के लिए काफी अच्छी तरह से सामान्यीकरण (जनरलाइज) करने में सक्षम है, हालांकि इसे विशेष रूप से 'कोल्ड-स्टार्ट' समस्या से निपटने के लिए नहीं बनाया गया है। वे यह भी बताते हैं कि इन जटिल ग्राफों को लगातार बनाने की कम्प्यूटेशनल लागत अधिक है, जो वास्तविक समय के अनुप्रयोगों के लिए एक चुनौती हो सकती है। भविष्य के कार्य सिस्टम को तेज़ और अधिक कुशल बनाने, साथ ही उपयोगकर्ताओं की पसंद को बेहतर ढंग से समझने के लिए इमेज और वीडियो जैसे अन्य प्रकार के सूचनाओं को शामिल करने पर केंद्रित होंगे। इन सीमाओं के बावजूद, अध्ययन यह प्रदर्शित करता है कि केवल घटनाओं के बजाय घटनाओं के बीच के संबंधों पर ध्यान केंद्रित करके, ऐसे अनुशंसा सिस्टम बनाना संभव है जो मानव रुचि की गतिशील प्रकृति के प्रति बहुत अधिक संवेदनशील हों।