Mejorando las recomendaciones de noticias con conciencia de evitación

En tiempos recientes, ha habido una creciente preocupación entre los periodistas sobre cómo la gente está evitando los artículos de noticias, especialmente en ciertas áreas. Esta Evitación se ha vuelto más notoria con el aumento de sistemas que sugieren artículos a los usuarios basados en sus interacciones pasadas. Nuestra investigación sugiere que estos sistemas de sugerencias deberían tomar en cuenta la evitación de noticias como un factor clave. Creemos que los artículos de noticias se pueden describir usando tres componentes principales: Exposición, relevancia y evitación. Todos estos componentes están conectados. Para abordar estos desafíos, hemos desarrollado un nuevo sistema llamado AWRS, que significa Sistema Recomendador Consciente de la Evitación. Este nuevo método tiene en cuenta el comportamiento de evitación de los usuarios al sugerir noticias, ya que creemos que cómo los usuarios evitan ciertos artículos revela mucho sobre lo que realmente prefieren. Nuestros tests en tres conjuntos de datos de noticias diferentes han demostrado que AWRS funciona mejor que otros sistemas existentes.

#Importancia de los Sistemas Recomendadores

Los sistemas recomendadores se usan ampliamente para mostrar a los usuarios opciones que se ajustan a sus intereses. En el campo de las noticias, estos sistemas enfrentan dificultades únicas que no suelen encontrarse en otras áreas, como la necesidad de actualizaciones oportunas, contenido fresco y relevancia para los intereses del lector. El panorama de noticias cambia rápidamente, lo que lleva a cambios en cómo la gente consume información.

Los métodos más antiguos que principalmente usaban el historial de clics de un usuario y perfiles básicos han sido reemplazados por técnicas más avanzadas que buscan entender más a fondo lo que los usuarios quieren. Por ejemplo, el modelo NRMS aprende el contenido de noticias usando atención multiplicada, observando cómo las palabras interactúan entre sí. Otros modelos como NAML y LSTUR también tratan de comprender las preferencias del usuario de manera más efectiva analizando varios aspectos de los artículos de noticias.

Recientemente, nuevos modelos se han centrado en diferentes estrategias para aumentar el rendimiento. Algunos, como GLORY, combinan información global con acciones locales de los usuarios para personalizar mejor el contenido. Otros, como LANCER, consideran cuánto tiempo los artículos de noticias mantienen relevancia con el tiempo. También hay métodos que abordan desafíos como problemas de inicio en frío y sesgos de popularidad.

#El Desafío de la Evitación de Noticias

Un comportamiento significativo que ha surgido en la era digital de hoy es la evitación de noticias. Esto significa que los usuarios ignoran intencionalmente ciertas noticias o las descuidan sin darse cuenta. La gente podría elegir fuentes de medios alternativas sobre las noticias tradicionales, llevando a un desinterés temporal o selectivo. Esta tendencia resalta cómo las personas se involucran con las noticias moldeadas por intereses personales y un creciente escepticismo hacia ciertos temas. A medida que más usuarios buscan noticias que se alineen con sus creencias, especialmente en un entorno mediático competitivo, la relevancia se vuelve crítica.

Los desafíos intensificados por la pandemia, incluyendo la fatiga noticiosa y la desconfianza en los medios de comunicación tradicionales, muestran cuán importante es para los sistemas de recomendación reconocer y adaptarse a los comportamientos de evitación.

A pesar de muchos avances, pocos sistemas han integrado la comprensión de la evitación de noticias. Al trabajar con expertos en el campo, investigamos cómo las estrategias de evitación afectan las recomendaciones de noticias. Esto no solo ayuda a mejorar la relevancia, sino que también reconoce cómo las interacciones de los usuarios con las noticias cambian en nuestra era digital.

#Nuestras Contribuciones

1. Presentamos un nuevo concepto en nuestro modelo, siendo de los primeros en analizar la evitación en sistemas de recomendación.
2. Nuestro marco AWRS incluye la conciencia de la evitación, utilizando tipos de tiempo y relevancia para mejorar cómo emparejamos a los usuarios con los artículos de noticias.
3. Las pruebas en tres conjuntos de datos del mundo real muestran que AWRS funciona consistentemente mejor en muchos métricas.

#Cómo Funcionan los Sistemas Recomendadores

Los sistemas de recomendación de noticias personalizadas generalmente utilizan modelos de contenido neuronales, que han avanzado más allá de los sistemas tradicionales que dependían de características manuales. Estos modelos más nuevos a menudo mapean los historiales de clics en preferencias de los usuarios, ayudando a proporcionar una experiencia más personalizada.

Los sistemas personalizados se enfocan en emparejar los intereses de un usuario con el contenido de noticias. Sin embargo, esto puede llevar a "burbujas de filtros", donde los usuarios solo ven noticias que se alinean con sus puntos de vista. Esto puede resultar en una falta de exposición a opiniones diversas y recrear sesgos existentes.

Se han intentado varios métodos para diversificar las recomendaciones, incluidos métodos que reordenan artículos para aumentar la variedad o involucran un entrenamiento de múltiples tareas que combina personalización con otros objetivos para promover la diversidad.

Los avances recientes en estos sistemas buscan mejorar la personalización al considerar elementos adicionales:

1. Sentimiento: Algunos modelos buscan sugerir noticias con diferentes sentimientos.
2. Popularidad: Ciertos sistemas utilizan cuán populares son los artículos de noticias para mejorar las recomendaciones.
3. Representaciones Globales: Algunos métodos utilizan conexiones de noticias más amplias para enriquecer el contenido.
4. Recencia: Otros consideran cuán viejos son los artículos de noticias para mejorar las recomendaciones.

#El Rol de la Evitación de Noticias

En el mundo de las noticias, cómo los usuarios evitan artículos se ha vuelto importante, especialmente para plataformas que utilizan sistemas de recomendación. Nuestro estudio investiga cómo la evitación afecta los clics en los artículos de noticias. Sugerimos que entender cómo se interrelacionan la exposición y la evitación proporciona información valiosa que puede refinar las recomendaciones.

Un artículo que no se hace clic con frecuencia podría tener muchas vistas, lo que sugiere que fue visto pero no interactuado. Por ejemplo, durante una elección, un artículo sobre política podría ser popular pero evitado por muchos usuarios cansados de las noticias políticas. En contraste, alguien que lee un artículo político que muchos otros están evitando indica un fuerte interés en ese tema.

Esta comprensión permite que los sistemas de recomendación incorporen el contexto de la evitación. Al reconocer patrones en lo que los usuarios evitan, los sistemas pueden personalizar mejor las noticias que se les muestran.

#Definiendo Elementos Clave

Para explicar claramente los artículos de noticias, nos enfocamos en tres elementos principales: exposición, evitación y relevancia.

• Exposición: Esto se refiere a los artículos que los usuarios ven, los cuales pueden cambiar con el tiempo según cuándo se publican los artículos.
• Evitación: Esto refleja cuándo los usuarios eligen no interactuar con contenido de noticias específico. Factores como la falta de interés o desconfianza pueden impulsar la evitación.
• Relevancia: Esto indica cuán bien un artículo de noticias coincide con los intereses del usuario, lo cual puede estar influenciado por varios factores, incluyendo la hora de publicación del artículo y el historial de interacción del usuario.

#Midiendo la Participación del Usuario

Para entender cómo los usuarios interactúan con los artículos de noticias, ideamos una métrica, participación del usuario, que considera tanto la evitación como la exposición. Al dividir nuestro análisis en regiones específicas basadas en estos factores, podemos evaluar de manera integral las interacciones de los usuarios con los artículos.

Esta medida de participación del usuario capta cómo los artículos que muchos evitan pueden seguir siendo relevantes para los usuarios que eligen interactuar con ellos. Nuestro enfoque busca mezclar la conciencia de la evitación en el modelo de recomendación, mejorando la experiencia general.

#Marco de AWRS

Dado un usuario y un artículo de noticias, nuestro objetivo es calcular una puntuación que indique cuán interesado podría estar el usuario en ese artículo. El sistema evalúa varios artículos y sugiere las mejores coincidencias basadas en el historial del usuario con noticias similares.

#Codificador de Documentos

Nuestro codificador de noticias recopila información detallada de los artículos utilizando un diseño de atención múltiple. Combina varios elementos del texto para crear embeddings que representan efectivamente el contenido de las noticias.

#Predicción de Relevancia y Codificación de Usuarios

Para evaluar cuán relevante es un artículo, miramos muchos factores, incluyendo cuánto tiempo ha pasado desde su publicación, su contenido y cuántas veces ha sido clicado. Esto ayuda a nuestro modelo a captar mejor las sutilezas de las preferencias de los usuarios.

El codificador de usuarios se esfuerza aún más por conectar lo que los usuarios han clicado previamente con potenciales nuevos artículos, considerando tanto los niveles de evitación como de exposición. Este método resulta en una comprensión matizada de lo que los usuarios podrían encontrar interesante.

#Embedding de Participación del Usuario

En nuestro modelo, calculamos la participación del usuario como una entrada importante para ayudar en las recomendaciones. Al analizar cómo los usuarios se involucran con los artículos que evitan, mejoramos la comprensión de sus preferencias.

#Puntuaciones Finales de Relevancia

En última instancia, las puntuaciones de relevancia combinan la conciencia de la evitación con los intereses del usuario, refinando las sugerencias que se hacen a los usuarios. Esta combinación permite que nuestros sistemas ofrezcan recomendaciones más personalizadas y precisas.

#Evaluación y Pruebas

Para probar nuestro modelo AWRS, lo evaluamos en tres conjuntos de datos: MIND-small, Adressa una semana, y Nikkei. Cada conjunto de datos presenta comportamientos de clic de usuarios distintos y artículos de noticias, dándonos un amplio ámbito para analizar qué tan bien se desempeña nuestro modelo.

#Análisis Comparativo

Comparamos AWRS con varios modelos conocidos para ver cómo se compara en métricas clave de rendimiento. Los resultados mostraron que AWRS generalmente se desempeñaba mejor, particularmente en integrar consideraciones de evitación en las recomendaciones.

#Evaluación de Precisión

Hicimos varias preguntas para evaluar la efectividad de nuestro modelo. Estas incluían si AWRS predice con precisión los clics de los usuarios y cómo cada componente de nuestro sistema contribuye al rendimiento general.

En nuestras pruebas, AWRS superó consistentemente a otros modelos en métricas como la Media de Rango Recíproco y la Ganancia Cumulativa Descontada Normalizada, indicando su fortaleza en entender las preferencias del usuario.

#Influencia de los Componentes

Para medir cuánto contribuyeron las diferentes partes de nuestro modelo a su éxito, realizamos experimentos eliminando componentes individuales y evaluando los cambios en el rendimiento. Los resultados indicaron que cada parte juega un papel significativo en la efectividad general del modelo.

#Limitaciones de AWRS

Aunque nuestro modelo muestra promesas para mejorar las recomendaciones de noticias, no está exento de desafíos. Una gran limitación es la mayor demanda de memoria para procesar los datos detallados de evitación y exposición, lo que podría afectar el rendimiento del sistema.

#Conclusión

Integrar la conciencia de la evitación de noticias puede mejorar significativamente la efectividad de los sistemas de recomendación. Al analizar cómo los usuarios eligen interactuar o evitar ciertos artículos, obtenemos información valiosa sobre las preferencias de los usuarios. Esta comprensión ayuda a refinar cómo se hacen las sugerencias, llevando a una experiencia de usuario más satisfactoria.

A través de nuestro desarrollo del Sistema Recomendador Consciente de la Evitación, destacamos un nuevo enfoque en el campo que reconoce la naturaleza compleja de las interacciones de los usuarios con las noticias. Nuestros hallazgos subrayan el potencial para métodos de recomendación más efectivos y allanan el camino para futuras investigaciones en la comprensión del comportamiento del usuario en el panorama de noticias.

En un mundo cada vez más impulsado por contenido digital, reconocer y adaptarse a la evitación puede ayudar a cerrar las brechas en la participación y satisfacción del usuario, mejorando en última instancia la experiencia de consumo de noticias.