[論文レビュー] A survey on news recommender system - Dealing with timeliness, dynamic user interest and content quality, and effects of recommendation on news readers.

Shaina Raza, Chen Ding|arXiv (Cornell University)|Sep 10, 2020

Recommender Systems and Techniques参考文献 11被引用数 5

ひとこと要約

本調査は、タイムリネス、動的ユーザーの関心、コンテンツ品質、および推薦の行動的影響に重点を置き、伝統的でないおよびディープラーニングベースのアプローチを含む、ニュースレコメンデーションシステム（NRS）の包括的な分析を提示する。本調査は、主な課題を特定し、最先端の解決策を評価し、ユーザーに及ぼす悪影響を軽減するための対策を提案し、NRS分野における今後の研究開発のロードマップを提示する。

ABSTRACT

Nowadays, more and more news readers tend to read news online where they have access to millions of news articles from multiple sources. In order to help users to find the right and relevant content, news recommender systems (NRS) are developed to relieve the information overload problem and suggest news items that users might be in-terested in. In this paper, we highlight the major challenges faced by the news recommen-dation domain and identify the possible solutions from the state-of-the-art. Due to the rapid growth of building recommender systems using deep learning models, we divide our dis-cussion in two parts. In the first part, we present an overview of the conventional recom-mendation solutions, datasets, evaluation criteria beyond accuracy and recommendation platforms being used in NRS. In the second part, we explain deep learning-based recom-mendation solutions applied in NRS. Different from previous surveys, we also study the effects of news recommendations on user behavior and try to suggest the possible reme-dies to mitigate these effects. By providing the state-of-the-art knowledge, this survey can help researchers and practical professionals in their understanding of developments in news recommendation algorithms. It also sheds light on potential new directions.

研究の動機と目的

• オンラインニュースの消費における情報過多の課題に対処し、ニュースレコメンデーションシステム（NRS）を改善すること。
• タイムリネスと動的ユーザー関心に焦点を当て、NRSにおける伝統的およびディープラーニングベースの推薦技術を分析すること。
• NRSで使用されるデータセット、精度を超えた評価指標、および既存の推薦プラットフォームを評価すること。
• ニュース推薦がリーダーに及ぼす行動的影響を調査し、緩和戦略を提案すること。
• NRS分野における現在の動向を包括的に概説し、今後の研究方向性を特定すること。

提案手法

• 協調フィルタリング、コンテンツベースフィルタリング、ハイブリッドアプローチを含む伝統的な推薦手法のサーベイ。
• 動的ユーザー関心をモデル化するために注目メカニズムや順序モデリングを活用する、NRSに応用された最先端のディープラーニングモデルのレビュー。
• NRS研究で使用されるベンチマークデータセットの分析と、多様性、カバレッジ、公平性を含む精度を超えたパフォーマンス評価。
• 実世界のNRS実装で使用される推薦プラットフォームおよびシステムアーキテクチャの検討。
• 実証的研究およびユーザー行動分析を通じて、推薦がニュースリーダーに及ぼす心理的および行動的影響の調査。
• 推薦の透明性と多様性を向上させることで、フィルターバブルやエコーチェンバーの悪影響を軽減する可能性のある対策の提案。

実験結果

リサーチクエスチョン

• RQ1 伝統的およびディープラーニングベースの推薦技術は、ニュース推薦におけるタイムリネスと進化するユーザー関心をどのように扱っているか？
• RQ2 現在のNRS研究および応用で使用されている主要なデータセット、評価指標、およびシステムプラットフォームは何か？
• RQ3 ニュース推薦がリーダーに及ぼす行動的および心理的影響、特に情報の多様性と露出の観点から、どのようなものか？
• RQ4 フィルターバブルやコンテンツ品質の低下といった悪影響を緩和するため、推薦システムをどのように改善できるか？
• RQ5 効果的で責任あるニュースレコメンデーションシステムを構築するにあたり、残された課題と今後の研究方向性は何か？

主な発見

• ディープラーニングモデルは、伝統的手法に比べて、ニュース消費における動的ユーザー関心と時間的ダイナミクスのモデリングを顕著に向上させる。
• 多様性、カバレッジ、公平性を含む精度を超えた評価は、実世界のNRSパフォーマンスを評価する上で不可欠である。
• 推薦システムは、意図せずフィルターバブルやコンテンツ多様性の低下を引き起こし、ユーザーの多様な見解への露出に影響を与える可能性がある。
• ユーザーの信頼を高め、極端化を軽減するために、説明可能で透明性のある推薦システムの必要性が高まっている。
• NRSにおける既存のデータセットやプラットフォームは、緊急ニュースやウイルス的コンテンツといった現実世界のダイナミクスを十分に反映していない。
• 推薦の関連性と信頼性を向上させるために、コンテンツ品質の評価とユーザーフィードバックメカニズムの統合が重要である。