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

在浩瀚且变幻莫测的网络新闻海洋中，寻找真正感兴趣的故事正变得越来越困难。每分钟发布的文章数量之巨，意味着如果没有帮助，读者可能会淹没在无关或过时的内容中。这就是个性化推荐的问题：系统必须根据一个人之前阅读的内容，来猜测他接下来想读什么。长期以来，计算机科学家一直试图通过将用户的历史记录视为一个静态列表来解决这个问题，假设如果某人昨天喜欢一篇政治文章，那么今天很可能也会想要另一篇。然而，人类的注意力比静态列表所暗示的要流动得多。我们的兴趣会发生漂移；一个花费数小时阅读国际政治的人，可能会因为突发事件、情绪变化，或者仅仅是因为已经看够了某个话题，而突然转向体育或娱乐。推荐系统面临的挑战不仅是记住用户喜欢什么，而是要察觉到他们思维转变的瞬间并立即做出调整。

西北工业大学的一个研究小组开发了一种追踪这些兴趣快速变化的新方法。他们创建了一个名为 CTLGNN 的系统，全称为“连续时间线图神经网络”（Continuous Temporal Line Graph Neural Network）。该方法不再将用户的历史记录视为简单的点击序列或固定的画像，而是将人与新闻文章之间的每一次交互都视为影响下一次交互的独特事件。研究人员意识到，传统方法往往会忽略在时间上紧密相连的两次点击之间微妙且直接的联系。为了解决这个问题，他们构建了一个专注于这些交互之间关系的模型，而非仅仅关注用户或文章本身。

其创新的核心在于视角的转变。想象一个图中，点代表用户和新闻故事，连接它们的线代表一次点击。大多数系统通过分析这些“点”来了解用户。然而，这个新系统将这些连接线变成了“点”本身。在他们的模型中，每当用户点击一篇新闻故事时，那次特定的点击就成为了一个新的专门图谱中的一个节点。如果用户在短时间内连续点击了两篇不同的故事，或者两个不同的用户点击了同一篇故事，这些“点击节点”就会被连接在一起。这使得计算机能够直接观察行为的流动。它可以观察到最近对一篇体育文章的点击是如何立即改变下一次点击的语境的，从而捕捉到兴趣的漂移过程，而不是等待数周后才让模式显现出来。

为了处理用户偏好的全貌，该系统使用了两个协同工作的引擎。第一个引擎观察长期历史。它使用一种将时间划分为快照的方法，分析用户的兴趣如何在数月或数年间演变，从而建立对用户身份的稳定理解。第二个引擎是全新的、以事件为中心的组件。它只关注最近的交互，将其视为一个连续的事件流。通过结合这两个视角，系统可以平衡用户通常喜欢的领域与此时此刻感兴趣的内容。如果一个通常阅读财经新闻的用户突然开始点击烹饪食谱，长期引擎会记住财经兴趣，但短期引擎会立即将烹饪兴趣标记为当前的优先级。

研究人员使用真实世界的新闻网站数据对该方法进行了测试，其中包括一个包含超过 10 亿用户和数百万次新闻曝光的数据集。他们将新系统与包括简单序列追踪器和复杂图模型在内的 14 种领先方法进行了对比。结果非常明确：新系统表现出了持续的优越性。在衡量系统预测用户下一次点击文章能力的测试中，它在准确性和相关性方面都取得了比以往任何模型更高的分数。具体而言，在一个数据集上，它达到了 84.15% 的准确率，显著超过了排名第二的模型。在另一个数据集上，它获得了 99.18% 的排序得分，表明它在将正确文章置于顶端方面表现得异常出色。

研究还通过移除部分组件来观察其影响，从而探讨了该系统为何如此有效。当研究人员移除短期事件追踪功能时，系统的性能大幅下降，这证明了捕捉即时兴趣转变至关重要。当他们移除长期历史组件时，系统在维持对用户的连贯理解方面显得力不从心。这证实了结合两种视角对于获得最佳结果是必要的。研究人员还发现，当考虑最近的五次交互时，系统的效果最好。观察少于五次点击无法提供足够的上下文，而观察超过五次则会引入过时的信息，从而干扰模型。这表明人类的兴趣转变通常是由一个非常小且近期的活动窗口驱动的。

通过详细的案例研究，研究人员展示了他们的模型如何处理其他系统失效的具体场景。在一个例子中，一位长期阅读政治新闻的用户突然点击了一篇体育文章。旧系统继续推荐政治新闻，未能注意到这种变化。然而，新系统立即识别出了近期交互模式的变化，并将该体育文章列为首选推荐。它成功地识别出用户的即时兴趣已经覆盖了其长期习惯。这种检测并响应行为突变的能力，使其在节奏极快、用户注意力可能在短短一分钟内发生变化的网络新闻领域中显得尤为有效。

研究人员承认，尽管他们的系统取得了显著进步，但仍有工作要做。他们指出，该模型能够较好地泛化到互动历史有限的用户身上，但它并非专门为解决“冷启动”问题而设计。他们还指出，不断构建这些复杂图谱的计算成本很高，这对于实时应用可能是一个挑战。未来的工作将集中在提高系统的速度和效率，以及整合图像和视频等其他类型的信息，以更好地理解用户的需求。尽管存在这些局限性，这项研究表明，通过关注事件之间的连接而非事件本身，构建出更贴合人类兴趣动态变化的推荐系统是完全可能的。