Mô hình ngắn hạn có hai nhiệm vụ. Thứ nhất, mô hình cần chứa thông tin về các sự kiện gần đây mà người dùng quan tâm. Từ đó, tin tức mới, thuộc cùng luồng tin có thể được xác định. Thứ hai, mô hình cần chỉ ra được những tin tức người dùng đã biết. Thuật toán Láng giềng gần nhất (NN) được sử dụng để hiện thực hóa các khả năng trên.
Thuật toán NN lưu trữ toàn bộ các ví dụ huấn luyện, trong trường hợp này là các bài báo người dùng đã đọc. Để phân lớp một đối tượng, thuật toán so sánh đối tượng với tất cả các ví dụ huấn luyện, sử dụng một độ đo tương tự nào đó, và tìm ra “láng giềng gần nhất”, hoặc “k-láng giềng gần nhất”. Nhãn lớp cần gán cho đối tượng mới dựa trên nhãn đã biết của các hàng xóm.
Để áp dụng thuật toán cho dữ liệu text ngôn ngữ tự nhiên, ta cần định nghĩa được một độ đo có khả năng xác định độ giống nhau giữa hai văn bản text. Từ hồ sơ của đối tượng tin tức đã lưu (như mô tả ở mục trước), ta có thể tính toán được vector TF-IDF đại diện cho hai bài báo cần so sánh. Sau đó, sử dụng độ đo tương tự Cosine (Công thức (2.6)) để tính độ tương đồng giữa hai bài báo. Hai giá trị ngưỡng được dùng trong cài đặt thuật toán này vào hệ thống: t_max dùng để loại bỏ các bài báo quá giống nhau; t_min lại giúp xác định các bài báo có nội dung quá khác với bài báo cần so sánh. Quá trình ra quyết định của thuật toán NN trong mô hình thông tin ngắn hạn như sau:
(1) Lần lượt xác định độ đo tương tự Cosine giữa vector của bài báo mới, với từng vector các bài báo đã lưu trong mô hình ngắn hạn của hồ sơ người dùng.
(2) Trong quá trình tính toán, nếu tìm ra một độ tương tự simi > t_max, thì chứng tỏ tin mới này quá giống với một tin i người dùng đọc gần đây, việc tính toán sẽ dừng lại, và tin đó không được gợi ý cho người dùng nữa.
(3) Sau khi tính toán, nếu mọi giá trị simiđều nhỏ hơn hoặc bằng t_max
a. Nếu tồn tại một giá trị simi >= t_min, hệ thống sẽ gợi ý tin đó cho người dùng, vì tin này khi đó được coi là cùng luồng với tin tức i họ đã đọc gần đây, và chứa thông tin mới họ cần biết trong đó (chứ không quá giống và bị cho là người dùng đã biết như trong bước (2))
b. Nếu mọi giá trị simi đều nhỏ hơn t_min, bài báo đó không thể được phân loại bởi mô hình ngắn hạn, và được chuyển tiếp cho mô hình dài hạn xử lý (xem phần 3.3.2.2).
Mô hình ngắn hạn dựa trên thuật toán Láng giềng gần nhất thỏa mãn các yêu cầu đặt ra: mô hình hóa được nhiều mối quan tâm của người dùng trong thời gian gần, thích nghi nhanh với sở thích mới (phụ thuộc vào giá trị của hằng số n: số lượng tin người dùng quan tâm gần đây cần theo dõi), có thể xác định các tin tức người dùng đã biết. Ưu điểm chính của NN là: chỉ cần một bài báo để xác định các tin tức mới thuộc cùng luồng tin. Trong khi đó, hầu hết các thuật toán học máy khác đều yêu cầu lượng lớn ví dụ huấn luyện để bắt đầu tính toán.