Resumo Técnico: Decomposição de Obsolescência em Sistemas de Recomendação

1. Definição do Problema

Em sistemas de recomendação de larga escala como o Google Discover, a obsolescência (staleness) do conteúdo é uma fonte primária de insatisfação do usuário. O artigo argumenta que a obsolescência não é um problema monolítico, mas surge de dois mecanismos distintos:

• Supressão (Supersession): Um item torna-se obsoleto abruptamente quando um item mais recente atualiza, contradiz ou altera a narrativa do tópico subjacente (ex: o anúncio da contratação de um atleta de esportes suprimindo um relatório sobre negociações). Este é um sinal relacional que requer comparação pareada.
• Decaimento de Relevância (Relevance Decay): Um item perde naturalmente seu valor informacional ao longo de seu ciclo de vida devido ao seu conteúdo intrínseco (ex: um guia para a previsão do tempo de um dia específico ou um evento de última hora). Este é um sinal intrínseco ligado à sua vida útil pretendida.

Contramedidas tradicionais, como cortes de idade (age cutoffs) ou heurísticas baseadas em engajamento (ex: pisos de taxa de clique), são ineficazes. Os cortes de idade são imprecisos e falham em distinguir entre conteúdo perene e conteúdo sensível ao tempo, enquanto as heurísticas de engajamento sofrem de um atraso estrutural, expondo os usuários a conteúdo degradado antes que o sistema se adapte.

2. Metodologia: Estrutura SDF

Os autores propõem o SDF (Supersession-Decay Filtering), um sistema de filtro duplo implantado antes da etapa de ranking para podar candidatos obsoletos antes que eles consumam recursos computacionais pesados de etapas subsequentes. O SDF opera via uma disjunção (fusão OR) de dois modelos complementares:

2.1 Filtro de Obsolescência Relacional (Supressão)

Este componente aborda a natureza relacional da supressão, determinando se um item recém-chegado ($d'$) torna um item existente ($d$) obsoleto.

• Geração de Dados: Devido ao custo proibitivo da anotação manual para comparações pareadas, os autores utilizam um professor de Grande Modelo de Linguagem (LLM) para sintetizar um conjunto de dados rotulado. Eles empregam uma estratégia de amostragem que agrupa itens para evitar redundância e aumenta o peso de pares com otimalidade de similaridade (evitando duplicatas próximas ou itens não relacionados).
• Rotulagem: O professor LLM gera rótulos e justificativas para pares de itens usando aprendizado em contexto (in-context learning) e prompting de Cadeia de Pensamento (Chain-of-Thought - CoT). Múltiplas amostras independentes são agregadas via votação majoritária para garantir a qualidade do rótulo.
• Treinamento do Modelo: Um modelo aluno compacto (T5) é treinado via destilação de conhecimento nos rótulos sintetizados. O treinamento incorpora:
  • Supervisão de Justificativa (Rationale Supervision): O aluno é treinado para gerar uma justificativa seguida pelo rótulo da classe, mimetizando a decodificação CoT.
  • Aumentação por NLI: Dados de Inferência de Linguagem Natural (NLI) são usados como uma tarefa auxiliar para melhorar a capacidade do modelo de julgar relações entre entradas de texto.
• Serviço: O filtro roda tanto em modo online (quase em tempo real para itens sensíveis ao tempo) quanto em modo batch para cobrir a cauda longa de conteúdo.

2.2 Filtro de Obsolescência Intrínseca (Decaimento de Relevância)

Este componente aborda o decaimento intrínseco prevendo a relevância de um item ao longo do tempo usando apenas seu conteúdo.

• Razão de Tráfego Prevista (Predicted Traffic Ratio - PTR): O modelo prevê a fração do tráfego do ciclo de vida de um item que se acumulará dentro de um horizonte de tempo específico ($\tau$) após a publicação. O alvo é a razão de visitas em $[t, t+\tau]$ em relação ao total de visitas em uma janela fixa de 30 dias.
• Arquitetura: Uma rede multimodal multitarefa com fusão precoce (early fusion). Tokens de texto, imagem e vídeo são combinados em um codificador compartilhado, seguido por cabeças de previsão específicas para cada horizonte (treinadas para horizontes de 12h, 1d, 3d, 5d, 7d, 10d, 14d).
• Sinal de Treinamento: O modelo é treinado em logs anonimizados de cliques de busca, que refletem melhor a intenção explícita do usuário e a relevância do que logs brutos de visualização de página.
• Regra de Decisão: Um item é marcado como obsoleto se a razão de tráfego prevista no maior horizonte transcorrido exceder um limiar ($\theta$), indicando que o item já capturou a maior parte de seu potencial de tráfego.

2.3 Composição do Sistema

Os dois filtros são combinados via uma operação OR. Se o filtro relacional detectar um item que o suprime ou se o filtro intrínseco prever que o item passou de sua vida útil útil, o item é removido do conjunto de candidatos $A$ antes de entrar no ranker subsequente. Esta abordagem é não personalizada e baseia-se em sinais de nível de item, permitindo cache eficiente e consulta durante o serviço.

3. Principais Contribuições

• Decomposição da Obsolescência: O artigo distingue formalmente a obsolescência relacional (supressão) da obsolescência intrínseca (decaimento), argumentando que elas exigem mecanismos de detecção diferentes.
• Modelo Pareado Destilado por LLM: Um pipeline escalável para gerar rótulos de obsolescência relacional usando LLMs e destilando-os em um modelo aluno leve, superando o gargalo da anotação manual.
• Previsão de Tráfego Baseada em Conteúdo: A introdução do modelo PTR, que prevê o decaimento da relevância diretamente do conteúdo multimodal sem esperar por sinais de engajamento.
• Implantação Industrial: A implantação completa deste framework de filtro duplo no Google Discover, atendendo centenas de milhões de usuários diariamente.

4. Resultados Experimentais

O sistema foi avaliado através de métricas offline, testes A/B online e uma implantação em produção de dois anos.

• Avaliação Offline:
  • O filtro relacional (configuração Gen + NLI) alcançou um F1 score de 84,79% no conjunto de teste.
  • O filtro intrínseco (fusão precoce) alcançou 80% de precisão na classificação de itens sensíveis ao tempo, superando uma linha de base de fusão tardia (late-fusion) em 4 pontos.
• Testes A/B Online:
  • Utilizando um framework de delta de prevalência contínua, o SDF alcançou uma redução de −6,91% na prevalência de conteúdo obsoleto em comparação com uma linha de base de cortes de idade e declives de engajamento.
  • Experimentos de controle (holdback) de longo prazo mostraram que o SDF reduziu as taxas de rejeição do usuário em −0,16%, aumentou a diversidade do feed em +0,13% e melhorou o engajamento positivo em +0,26%.
• Impacto na Produção (Implantação de 2 Anos):
  • Relatos de obsolência feitos pelos usuários diminuíram em 54,9% em relação à linha de base pré-implantação.
  • Detalhamento da redução: 64,0% para supressão e 34,4% para decaimento.
  • Ganhos de Eficiência: O sistema economizou 4,76% em horas de CPU/TPU de serviço (filtro relacional) e 3,98% (filtro intrínseco) ao podar candidatos antes das computações pesadas de ranking.

5. Significância e Alegações

O artigo afirma que o SDF estabelece um paradigma robusto e escalável para resolver a obsolescência de conteúdo em escala industrial. Ao reformular a obsolescência como uma propriedade conjunta de um item e seu ambiente (relacional) e de seu ciclo de vida (intrínseco), o sistema vai além de heurísticas rudimentares. Os autores enfatizam que o SDF não apenas melhora a experiência do usuário ao reduzir a insatisfação, mas também aumenta a eficiência do sistema ao reduzir a carga computacional nas etapas de ranking subsequentes. O framework é apresentado como generalizável para outros sistemas de recomendação industrial e aplicações de conteúdo.

Os autores reconhecem limitações, incluindo a ambiguidade em comentários políticos para julgamentos relacionais e a dificuldade de capturar uma cauda longa de itens que decaem gradualmente. No entanto, os dados de implantação de dois anos validam a abordagem de filtro duplo como uma melhoria significativa em relação às práticas atuais da indústria.