Günlük yaşamımızda sürekli karşılaştığımız öneri sistemleri, kullanıcı davranışlarını modellemek için genellikle etkileşimleri zaman sırasına göre dizdiği basit yöntemler kullanıyor. Ancak bu yaklaşımın önemli bir eksikliği var: etkileşimler arasındaki gerçek zaman aralıklarını göz ardı ediyor.
Araştırmacıların geliştirdiği RoTE (Rotary Time Embedding) sistemi, bu sorunu çözmek için yenilikçi bir yaklaşım benimsiyor. Sistem, her etkileşimin zaman damgasını kaba seviyeden ince seviyeye kadar farklı zaman dilimlerine ayırarak analiz ediyor. Bu sayede kullanıcıların hem kısa hem de uzun vadeli ilgi değişimlerini daha hassas bir şekilde yakalayabiliyor.
Geleneksel yöntemler sadece 'önce bu ürüne baktı, sonra şuna baktı' mantığıyla çalışırken, RoTE 'bu ürüne baktı, 2 saat sonra şuna baktı, 3 gün sonra başka bir şeye baktı' şeklinde daha detaylı bir zaman haritası çıkarıyor. Bu yaklaşım, kullanıcıların davranış kalıplarındaki nüansları yakalamak için kritik önem taşıyor.
Yeni sistemin en büyük avantajı, farklı zaman ölçeklerindeki kullanıcı tercihlerini aynı anda modelleyebilmesi. Böylece hem anlık ilgi alanlarını hem de uzun dönemli eğilimleri dikkate alan daha kişiselleştirilmiş öneriler sunabiliyor.