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

Nel vasto e tumultuoso oceano delle notizie online, trovare una storia che conti davvero per te sta diventando sempre più difficile. Il volume enorme di articoli pubblicati ogni minuto significa che, senza aiuto, un lettore potrebbe annegare in contenuti irrilevanti o obsoleti. Questo è il problema della raccomandazione personalizzata: un sistema deve indovinare cosa una persona voglia leggere dopo in base a ciò che ha letto in precedenza. Per molto tempo, gli scienziati dell'informatica hanno cercato di risolvere questo problema trattando la cronologia di un utente come una lista statica, assumendo che se qualcuno ha apprezzato un articolo politico ieri, probabilmente ne vorrà un altro oggi. Tuttavia, l'attenzione umana è molto più fluida di quanto suggerisca una lista statica. I nostri interessi fluttuano; una persona che passa ore a leggere di politica internazionale potrebbe improvvisamente passare allo sport o all'intrattenimento a causa di un evento dell'ultima ora, di un cambiamento di umore o semplicemente perché ha visto abbastanza di un determinato argomento. La sfida per i sistemi di raccomandazione non è solo ricordare ciò che piace a un utente, ma notare il momento in cui la sua mente cambia e adattarsi istantaneamente.

Un team di ricercatori della Northwestern Polytechnical University ha sviluppato un nuovo modo per tracciare questi rapidi cambiamenti di interesse. Hanno creato un sistema chiamato CTLGNN, che sta per Continuous Temporal Line Graph Neural Network. Invece di guardare la cronologia di un utente come una semplice sequenza di clic o un profilo fisso, questo nuovo approccio tratta ogni singola interazione tra una persona e un articolo di notizie come un evento unico che influenza quello successivo. I ricercatori si sono resi conto che i metodi tradizionali spesso perdono le connessioni sottili e immediate tra due clic che avvengono vicini nel tempo. Per risolvere questo problema, hanno costruito un modello che si concentra sulle relazioni tra queste interazioni piuttosto che solo sugli utenti o sugli articoli stessi.

Il cuore della loro innovazione è un cambio di prospettiva. Immaginate un grafo dove i punti rappresentano utenti e storie di notizie, e le linee che li collegano rappresentano un clic. La maggior parte dei sistemi analizza i punti per comprendere l'utente. Questo nuovo sistema, invece, trasforma quelle linee di collegamento nei punti stessi. Nel loro modello, ogni volta che un utente clicca su una storia di notizie, quel clic specifico diventa un nodo in un nuovo grafo specializzato. Se un utente clicca su due storie diverse in rapida successione, o se due utenti diversi clicc successo sulla stessa storia, questi "nodi-clic" vengono collegati tra loro. Ciò permette al computer di osservare direttamente il flusso del comportamento. Può osservare come un clic recente su un articolo sportivo cambi immediatamente il contesto per il clic successivo, catturando la deriva dell'interesse mentre avviene, invece di aspettare che emerga un modello nel corso di settimane.

Per gestire il quadro completo delle preferenze di un utente, il sistema utilizza due motori diversi che lavorano insieme. Il primo motore analizza la cronologia a lungo termine. Utilizza un metodo che divide il tempo in istantanee (snapshots), analizzando come gli interessi di un utente si siano evoluti nel corso di mesi o anni per costruire una comprensione stabile di chi sia. Il secondo motore è la nuova componente focalizzata sugli eventi. Guarda solo le interazioni più recenti, trattandole come un flusso continuo di eventi. Combinando queste due visioni, il sistema può bilanciare ciò che un utente gli piace generalmente con ciò che gli interessa in questo preciso istante. Se un utente che di solito legge di finanza inizia improvvisamente a cliccare su ricette di cucina, il motore a lungo termine ricorda l'interesse per la finanza, ma il motore a breve termine segnala immediatamente l'interesse per la cucina come priorità attuale.

I ricercatori hanno testato questo approccio utilizzando dati del mondo reale provenienti da siti di news, incluso un dataset contenente oltre 100.000 utenti e milioni di impressioni di notizie. Hanno confrontato il loro nuovo sistema con altri quattordici metodi all'avanguardia, che vanno dai semplici tracciatori di sequenze a complessi modelli grafici. I risultati sono stati chiari: il nuovo sistema ha superato costantemente gli altri. Nei test che misuravano quanto bene il sistema potesse prevedere l'articolo successivo su cui un utente avrebbe cliccato, ha ottenuto punteggi più alti in termini di accuratezza e rilevanza rispetto a qualsiasi modello precedente. Nello specifico, su un dataset, ha raggiunto un punteggio di accuratezza dell'84,15%, superando significativamente il secondo miglior modello. Su un altro dataset, ha raggiunto un punteggio di ranking del 99,18%, indicando che era eccezionalmente bravo a posizionare l'articolo corretto in cima alla lista.

Lo studio ha anche esplorato perché il sistema funzionasse così bene rimuovendo parti di esso per vedere cosa sarebbe successo. Quando i ricercatori hanno rimosso il tracciamento degli eventi a breve termine, le prestazioni del sistema sono scese drasticamente, dimostrando che catturare i cambiamenti immediati di interesse è fondamentale. Quando hanno rimosso la componente della cronologia a lungo termine, il sistema ha faticato a mantenere una comprensione coerente dell'utente. Ciò ha confermato che la combinazione di entrambe le visioni è necessaria per ottenere i migliori risultati. I ricercatori hanno anche scoperto che il sistema funzionava meglio quando considerava le cinque interazioni più recenti. Considerare meno di cinque clic non forniva abbastanza contesto, mentre guardare più di cinque iniziava a includere informazioni obsolete che confondevano il modello. Ciò suggerisce che i cambiamenti di interesse umano sono spesso guidati da una finestra di attività molto piccola e recente.

Attraverso studi di casi dettagliati, i ricercatori hanno mostrato come il loro modello gestisce scenari specifici in cui altri sistemi falliscono. In un esempio, un utente che aveva letto notizie politiche per molto tempo ha improvvisamente cliccato su un articolo sportivo. I sistemi più vecchi continuavano a raccomandare notizie politiche, non riuscendo a notare il cambiamento. Il nuovo sistema, tuttavia, ha riconosciuto immediatamente lo spostamento nel pattern di interazione recente e ha classificato l'articolo sportivo come la raccomandazione principale. Ha identificato con successo che l'interesse immediato dell'utente aveva sovrascritto l'abitudine a lungo termine. Questa capacità di rilevare e agire sui cambiamenti improvvisi di comportamento è ciò che rende il sistema particolarmente efficace per il mondo frenetico delle notizie online, dove l'attenzione di un utente può cambiare nell'arco di un singolo minuto.

I ricercatori riconoscono che, sebbene il loro sistema sia un passo avanti significativo, c'è ancora del lavoro da fare. Notano che il modello è capace di generalizzare abbastanza bene per utenti con cronologie di interazione limitate, sebbene non sia progettato specificamente per affrontare il problema del "cold-start". Evidenziano inoltre che il costo computazionale per costruire costantemente questi grafi complessi è elevato, il che potrebbe essere una sfida per le applicazioni in tempo reale. Il lavoro futuro si concentrerà sul rendere il sistema più veloce ed efficiente, nonché sull'incorporare altri tipi di informazioni come immagini e video per comprendere meglio cosa vogliono gli utenti. Nonostante queste limitazioni, lo studio dimostra che concentrandosi sulle connessioni tra gli eventi piuttosto che solo sugli eventi stessi, è possibile costruire sistemi di raccomandazione molto più in sintonia con la natura dinamica dell'interesse umano.