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

No vasto e agitado oceano de notícias online, encontrar uma história que realmente importe para você está se tornando cada vez mais difícil. O volume absoluto de artigos publicados a cada minuto significa que, sem ajuda, um leitor pode se afogar em conteúdos irrelevantes ou desatualizados. Este é o problema da recomendação personalizada: um sistema deve adivinhar o que uma pessoa quer ler a seguir com base no que ela leu anteriormente. Por muito tempo, cientistas da computação tentaram resolver isso tratando o histórico de um usuário como uma lista estática, assumindo que, se alguém gostou de um artigo político ontem, provavelmente desejará outro hoje. No entanto, a atenção humana é muito mais fluida do que uma lista estática sugere. Nossos interesses derivam; uma pessoa que passa horas lendo sobre política internacional pode subitamente mudar para esportes ou entretenimento devido a um evento de última hora, uma mudança de humor ou simplesmente porque já viu o suficiente de um tópico. O desafio para os sistemas de recomendação não é apenas lembrar o que um usuário gosta, mas notar o momento em que sua mente muda e adaptar-se instantaneamente.

Uma equipe de pesquisadores da Universidade Politécnica de Northwestern desenvolveu uma nova maneira de rastrear essas mudanças rápidas de interesse. Eles criaram um sistema chamado CTLGNN, que significa Rede Neural de Grafo de Linha Temporal Contínua. Em vez de olhar para o histórico de um usuário como uma sequência simples de cliques ou um perfil fixo, esta nova abordagem trata cada interação individual entre uma pessoa e um artigo de notícias como um evento único que influencia o próximo. Os pesquisadores perceberam que os métodos tradicionais frequentemente perdem as conexões sutis e imediatas entre dois cliques que ocorrem próximos no tempo. Para corrigir isso, eles construíram um modelo que foca nas relações entre essas interações, em vez de apenas nos usuários ou nos próprios artigos.

O cerne de sua inovação é uma mudança de perspectiva. Imagine um grafo onde os pontos representam usuários e histórias de notícias, e as linhas que os conectam representam um clique. A maioria dos sistemas analisa os pontos para entender o usuário. Este novo sistema, no entanto, transforma essas linhas de conexão nos próprios pontos. Em seu modelo, cada vez que um usuário clica em uma história de notícias, esse clique específico torna-se um nó em um novo grafo especializado. Se um usuário clica em duas histórias diferentes em rápida sucessão, ou se dois usuários diferentes clicam na mesma história, esses "nós-de-clique" são ligados entre si. Isso permite que o computador veja o fluxo de comportamento diretamente. Ele pode observar como um clique recente em um artigo de esportes altera imediatamente o contexto para o próximo clique, capturando a deriva de interesse conforme ela acontece, em vez de esperar que um padrão emerja ao longo de semanas.

Para lidar com o quadro completo das preferências de um usuário, o sistema utiliza dois motores diferentes trabalhando juntos. O primeiro motor observa o histórico de longo prazo. Ele utiliza um método que divide o tempo em instantâneos, analisando como os interesses de um usuário evoluíram ao longo de meses ou anos para construir uma compreensão estável de quem eles são. O segundo motor é o componente focado em eventos, novo. Ele olha apenas para as interações mais recentes, tratando-as como um fluxo contínuo de eventos. Ao combinar essas duas visões, o sistema pode equilibrar o que um usuário geralmente gosta com o que ele está interessado neste exato segundo. Se um usuário que costuma ler sobre finanças começa subitamente a clicar em receitas de culinária, o motor de longo prazo lembra o interesse em finanças, mas o motor de curto prazo sinaliza imediatamente o interesse em culinária como a prioridade atual.

Os pesquisadores testaram essa abordagem usando dados do mundo real de sites de notícias, incluindo um conjunto de dados contendo mais de 100.000 usuários e milhões de impressões de notícias. Eles compararam seu novo sistema com outros quatorze métodos líderes, variando de rastreadores de sequência simples a modelos de grafos complexos. Os resultados foram claros: o novo sistema superou consistentemente os outros. Em testes medindo o quão bem o sistema poderia prever o próximo artigo que um usuário clicaria, ele alcançou pontuações mais altas em precisão e relevância do que qualquer um dos modelos anteriores. Especificamente, em um conjunto de dados, atingiu uma pontuação de precisão de 84,15%, superando significativamente o segundo melhor modelo. Em outro conjunto de dados, alcançou uma pontuação de classificação de 99,18%, indicando que era excepcionalmente bom em colocar o artigo correto no topo da lista.

O estudo também explorou por que o sistema funcionou tão bem, removendo partes dele para ver o que aconteceria. Quando os pesquisadores removeram o rastreamento de eventos de curto prazo, o desempenho do sistema caiu drasticamente, provando que capturar mudanças de interesse imediatas é crucial. Quando removeram o componente de histórico de longo prazo, o sistema teve dificuldades para manter uma compreensão consistente do usuário. Isso confirmou que a combinação de ambas as visões é necessária para os melhores resultados. Os pesquisadores também descobriram que o sistema funcionava melhor quando considerava as cinco interações mais recentes. Olhar para menos de cinco cliques não fornecia contexto suficiente, enquanto olhar para mais de cinco começava a incluir informações desatualizadas que confundiam o modelo. Isso sugere que as mudanças de interesse humano são frequentemente impulsionadas por uma janela de atividade muito pequena e recente.

Através de estudos de caso detalhados, os pesquisadores mostraram como seu modelo lida com cenários específicos onde outros sistemas falham. Em um exemplo, um usuário que vinha lendo notícias políticas por um longo tempo subitamente clicou em um artigo de esportes. Sistemas antigos continuaram a recomendar notícias políticas, falhando em notar a mudança. O novo sistema, no entanto, reconheceu imediatamente a mudança no padrão de interação recente e classificou o artigo de esportes como a recomendação principal. Ele identificou com sucesso que o interesse imediato do usuário havia sobreposto seu hábito de longo prazo. Essa capacidade de detectar e agir sobre mudanças súbitas de comportamento é o que torna o sistema particularmente eficaz para o mundo acelerado das notícias online, onde a atenção de um usuário pode mudar no intervalo de um único minuto.

Os pesquisadores reconhecem que, embora seu sistema seja um passo significativo à frente, ainda há trabalho a ser feito. Eles observam que o modelo é capaz de generalizar razoavelmente bem para usuários com históricos de interação limitados, embora não tenha sido especificamente projetado para enfrentar o problema de "cold-start" (início a frio). Eles também apontam que o custo computacional de construir constantemente esses grafos complexos é alto, o que pode ser um desafio para aplicações em tempo real. Trabalhos futuros focarão em tornar o sistema mais rápido e eficiente, bem como em incorporar outros tipos de informação, como imagens e vídeos, para entender melhor o que os usuários desejam. Apesar dessas limitações, o estudo demonstra que, ao focar nas conexões entre os eventos em vez de apenas nos eventos em si, é possível construir sistemas de recomendação que são muito mais sintonizados com a natureza dinâmica do interesse humano.