Melhorando as Recomendações de Notícias com Consciência de Evitação

Nos últimos tempos, a galera que trabalha com jornalismo tá preocupada com o jeito que as pessoas tão evitando ler matérias de notícias, especialmente em certas áreas. Essa evitação ficou mais evidente com o aumento de sistemas que sugerem artigos pros usuários com base nas interações que eles tiveram antes. Nossa pesquisa sugere que esses sistemas de recomendação deveriam considerar a evitação de notícias como um fator chave. Acreditamos que os artigos de notícias podem ser descritos usando três componentes principais: Exposição, relevância e evitação. Esses componentes tão todos conectados. Pra enfrentar esses desafios, desenvolvemos um novo sistema chamado AWRS, que é a sigla pra Sistema Recomendador Consciente da Evitação. Esse novo método considera o comportamento de evitação dos usuários ao sugerir notícias, porque acreditamos que o jeito que eles evitam certos artigos revela muito sobre o que eles realmente preferem. Nossos testes em três conjuntos de dados de notícias diferentes mostraram que o AWRS funciona melhor do que outros sistemas já existentes.

#Importância dos Sistemas Recomendadores

Os sistemas recomendadores são super usados pra mostrar opções pros usuários que encaixam com os interesses deles. No campo das notícias, esses sistemas enfrentam dificuldades únicas que normalmente não aparecem em outras áreas, como a necessidade de atualizações rápidas, conteúdo fresco e relevância pros interesses do leitor. O cenário das notícias muda rápido, levando a mudanças na forma como as pessoas consomem informação.

Os métodos mais antigos, que se baseavam principalmente no histórico de cliques do usuário e perfis básicos, foram substituídos por técnicas mais avançadas que buscam entender mais a fundo o que os usuários querem. Por exemplo, o modelo NRMS aprende o conteúdo das notícias usando atenção em múltiplas cabeças, analisando como as palavras interagem entre si. Outros modelos, como NAML e LSTUR, também tentam entender as preferências dos usuários de forma mais eficaz, analisando vários aspectos dos artigos de notícias.

Recentemente, novos modelos se concentraram em estratégias diferentes pra melhorar o desempenho. Alguns, como o GLORY, combinam informações globais com ações locais dos usuários pra personalizar melhor o conteúdo. Outros, como o LANCER, consideram por quanto tempo os artigos de notícias mantêm relevância ao longo do tempo. Tem também métodos que lidam com desafios como problemas de início frio e viés de popularidade.

#O Desafio da Evitação de Notícias

Um comportamento significativo que surgiu na era digital de hoje é a evitação de notícias. Isso significa que os usuários ignoram intencionalmente certas notícias ou não dão atenção a elas sem perceber. A galera pode escolher fontes de mídia alternativas em vez das notícias tradicionais, levando a um desinteresse temporário ou seletivo. Essa tendência destaca como as pessoas interagem com as notícias, moldadas por interesses pessoais e um crescente ceticismo sobre certos tópicos. À medida que mais usuários buscam notícias que alinhem com suas crenças, especialmente em um ambiente midiático competitivo, a relevância se torna crucial.

Os desafios intensificados pela pandemia, incluindo fadiga de notícias e desconfiança na mídia tradicional, mostram como é importante que os sistemas de recomendação reconheçam e se adaptem aos comportamentos de evitação.

Apesar de muitos avanços, poucos sistemas integraram a compreensão da evitação de notícias. Trabalhando com especialistas na área, investigamos como as estratégias de evitação afetam as recomendações de notícias. Isso não só ajuda a melhorar a relevância, mas também reconhece como as interações dos usuários com as notícias mudam na nossa era digital.

#Nossas Contribuições

1. Apresentamos um novo conceito no nosso modelo, sendo um dos primeiros a olhar pra evitação em sistemas de recomendação.
2. Nossa estrutura AWRS inclui a consciência da evitação, usando tipos de tempo e relevância pra melhorar como combinamos usuários com artigos de notícias.
3. Testes em três conjuntos de dados do mundo real mostram que o AWRS consistentemente performa melhor em várias métricas.

#Como Funcionam os Sistemas Recomendadores

Os sistemas de recomendação de notícias personalizadas geralmente usam modelos de conteúdo neural, que avançaram além dos sistemas tradicionais que dependiam de características manuais. Esses modelos mais novos costumam mapear históricos de cliques nas preferências dos usuários, ajudando a proporcionar uma experiência mais personalizada.

Sistemas personalizados focam em combinar os interesses de um usuário com o conteúdo das notícias. No entanto, isso pode levar a "bolhas de filtro", onde os usuários só veem notícias que alinham com suas opiniões. Isso pode resultar em falta de exposição a opiniões diversas e na reprodução de viés existente.

Vários métodos foram tentados pra diversificar as recomendações, incluindo métodos que reordenam artigos pra aumentar a variedade ou envolvem treinamento multitarefa que combina personalização com outros objetivos pra promover diversidade.

Avanços recentes nesses sistemas buscam melhorar a personalização considerando elementos adicionais:

1. Sentimento: Alguns modelos tentam sugerir notícias com sentimentos diferentes.
2. Popularidade: Certos sistemas usam quão populares os artigos de notícias são pra melhorar as recomendações.
3. Representações Globais: Alguns métodos utilizam conexões mais amplas entre notícias pra enriquecer o conteúdo.
4. Recência: Outros consideram quão antigos os artigos de notícias são pra melhorar as recomendações.

#O Papel da Evitação de Notícias

No mundo das notícias, como os usuários evitam artigos se tornou importante, especialmente pra plataformas que usam sistemas de recomendação. Nosso estudo investiga como a evitação afeta os cliques em artigos de notícias. Sugerimos que entender como a exposição e a evitação interagem fornece insights valiosos que podem refinar as recomendações.

Um artigo que não é clicado com frequência pode ter muitas visualizações, sugerindo que foi visto, mas não engajado. Por exemplo, durante uma eleição, um artigo sobre política pode ser popular, mas evitado por muitos usuários cansados de notícias políticas. Por outro lado, alguém que lê um artigo político que muitos outros estão evitando indica um forte interesse nesse tópico.

Essa compreensão permite que os sistemas de recomendação incorporem contextos de evitação. Ao reconhecer padrões no que os usuários evitam, os sistemas podem personalizar melhor quais notícias são mostradas pra eles.

#Definindo Elementos Chave

Pra explicar artigos de notícias de forma clara, focamos em três elementos principais: exposição, evitação e relevância.

• Exposição: Isso se refere a artigos que os usuários veem, que podem mudar com o tempo com base em quando os artigos são publicados.
• Evitação: Isso reflete quando os usuários escolhem não interagir com conteúdo de notícias específico. Fatores como falta de interesse ou desconfiança podem impulsionar a evitação.
• Relevância: Isso indica quão bem um artigo de notícias combina com os interesses do usuário, que pode ser influenciado por vários fatores, incluindo o tempo de publicação do artigo e o histórico de Engajamento do Usuário.

#Medindo o Engajamento do Usuário

Pra entender como os usuários interagem com artigos de notícias, criamos uma métrica, engajamento do usuário, que considera tanto a evitação quanto a exposição. Ao dividir nossa análise em regiões específicas com base nesses fatores, conseguimos avaliar de forma abrangente as interações dos usuários com os artigos.

Essa medida de engajamento do usuário captura como artigos que muitos evitam ainda podem ser relevantes pra usuários que escolhem se engajar com eles. Nossa abordagem busca misturar a consciência da evitação no modelo de recomendação, melhorando a experiência geral.

#Estrutura do AWRS

Dado um usuário e um artigo de notícias, nosso objetivo é calcular uma pontuação que indique quão interessado o usuário pode estar naquele artigo. O sistema avalia vários artigos e sugere os melhores matches com base na história do usuário com notícias similares.

#Codificador de Documento

Nosso codificador de notícias reúne informações detalhadas dos artigos usando um design de atenção em múltiplas cabeças. Ele combina vários elementos de texto pra criar embeddings que representam o conteúdo das notícias de forma eficaz.

#Predição de Relevância e Codificação de Usuário

Pra avaliar quão relevante um artigo é, olhamos pra muitos fatores, incluindo quão recentemente ele foi publicado, seu conteúdo e com que frequência ele foi clicado. Isso ajuda nosso modelo a compreender melhor as nuances das preferências dos usuários.

O codificador de usuário busca ainda conectar o que os usuários clicaram anteriormente com potenciais novos artigos, considerando tanto níveis de evitação quanto de exposição. Esse método resulta em uma compreensão mais sutil do que os usuários podem achar interessante.

#Embedding de Engajamento do Usuário

No nosso modelo, calculamos o engajamento do usuário como uma entrada importante pra ajudar nas recomendações. Analisando como os usuários se envolvem com artigos que evitam, melhoramos a compreensão de suas preferências.

#Pontuações Finais de Relevância

No fim das contas, as pontuações de relevância combinam consciência da evitação com os interesses dos usuários, refinando as sugestões feitas pra eles. Essa combinação permite que nossos sistemas ofereçam recomendações mais personalizadas e precisas.

#Avaliação e Testes

Pra testar nosso modelo AWRS, avaliamos ele em três conjuntos de dados: MIND-small, Adressa uma semana e Nikkei. Cada conjunto de dados apresenta comportamentos de cliques de usuários distintos e artigos de notícias, nos dando um amplo escopo pra analisar como nosso modelo se sai.

#Análise Comparativa

Comparamos o AWRS com vários modelos bem conhecidos pra ver como ele se sai em termos de métricas de desempenho chave. Os resultados mostraram que o AWRS geralmente performa melhor, especialmente quando se trata de integrar considerações de evitação nas recomendações.

#Avaliação de Precisão

Fizemos várias perguntas pra avaliar a eficácia do nosso modelo. Isso inclui se o AWRS prevê com precisão os cliques dos usuários e como cada componente do nosso sistema contribui pra performance geral.

Nos nossos testes, o AWRS consistentemente superou outros modelos em métricas como Mean Reciprocal Rank e Normalized Discounted Cumulative Gain, indicando sua força em entender as preferências dos usuários.

#Influência dos Componentes

Pra medir como diferentes partes do nosso modelo contribuíram pro seu sucesso, realizamos experimentos removendo componentes individuais e avaliando as mudanças no desempenho. Os resultados indicaram que cada parte desempenha um papel significativo na efetividade geral do modelo.

#Limitações do AWRS

Enquanto nosso modelo mostra potencial em melhorar as recomendações de notícias, ele não tá sem desafios. Uma grande limitação é a demanda maior de memória pra processar os dados detalhados de evitação e exposição, o que pode impactar o desempenho do sistema.

#Conclusão

Integrar a consciência da evitação de notícias pode melhorar significativamente a eficácia dos sistemas de recomendação. Ao analisar como os usuários escolhem se engajar ou evitar certos artigos, conseguimos insights valiosos sobre as preferências dos usuários. Essa compreensão ajuda a refinar como as sugestões são feitas, levando a uma experiência mais satisfatória pros usuários.

Com o desenvolvimento do Sistema Recomendador Consciente da Evitação, destacamos uma nova abordagem na área que reconhece a natureza complexa das interações dos usuários com as notícias. Nossas descobertas sublinham o potencial pra métodos de recomendação mais eficazes e abrem caminho pra futuras pesquisas sobre o comportamento do usuário no cenário das notícias.

Num mundo cada vez mais movido por conteúdo digital, reconhecer e se adaptar à evitação pode ajudar a preencher lacunas no engajamento e satisfação do usuário, melhorando, no fim das contas, a experiência de consumo de notícias.