Além dos cliques

Muitas empresas da internet, como Yahoo, Facebook, Google e Twitter, dependem de sistemas de recomendação de conteúdo para fornecer os itens de conteúdo mais relevantes para usuários individuais por meio da personalização. Acredita-se que entregar essas experiências personalizadas aos usuários aumente o engajamento dos usuários a longo prazo. Embora tenha havido muito progresso no design de sistemas de recomendação personalizados eficazes, explorando os interesses dos usuários e dados históricos de interação por meio de feedback implícito (clique no item) ou explícito (avaliação do item), otimizar diretamente a satisfação dos usuários com o sistema continua desafiador. Neste artigo, exploramos a ideia de usar o tempo de permanência no nível do item como um substituto para quantificar a probabilidade de um item de conteúdo ser relevante para um usuário específico. Descrevemos um método inovador para calcular o tempo de permanência preciso com base em registros do lado do cliente e do servidor e demonstramos como normalizar o tempo de permanência em diferentes dispositivos e contextos. Além disso, descrevemos nossos experimentos em incorporar o tempo de permanência em técnicas avançadas de aprendizado para ranqueamento e modelos de filtragem colaborativa que obtêm desempenhos competitivos tanto em ambientes offline quanto online.