Recomendación de noticias de arranque en frío con un grafo de navegación dependiente del dominio

Las redes sociales en línea y los servicios de mash-up crean oportunidades para conectar diferentes servicios web que de otro modo estarían aislados. Específicamente en el caso de las noticias, los usuarios están muy expuestos a artículos de noticias mientras realizan otras actividades, como redes sociales o búsqueda en la web. El comportamiento de navegación orientado al consumo de noticias, especialmente en relación con las visitas provenientes de otros dominios, ha sido pasado por alto en trabajos anteriores. Para abordar esto, construimos un BrowseGraph a partir de las huellas de navegación colectivas extraídas de un gran registro de visualización de Yahoo News (0.5B de entradas), y definimos el ReferrerGraph como su subgrafo inducido por las sesiones con el mismo dominio de referencia. Las propiedades estructurales y temporales del grafo muestran que el comportamiento de navegación en noticias depende en gran medida de la URL de referencia de la sesión, en términos de tipo de contenido consumido y tiempo de consumo. Nos basamos en esta observación y proponemos un recomendador de noticias que aborda el problema del arranque en frío: dado un usuario que aterriza en una página del sitio por primera vez, nuestro objetivo es predecir la página que visitará a continuación. Comparamos 24 variantes de recomendadores pertenecientes a las familias de modelos basados en contenido, basados en popularidad y basados en navegación. Mostramos que el recomendador basado en navegación que toma en cuenta la URL de referencia es el de mejor desempeño, logrando una precisión de predicción del 48% en condiciones de gran escasez de datos.