[論文レビュー] News Recommender System: A review of recent progress, challenges, and opportunities

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

Recommender Systems and Techniques参考文献 117被引用数 12

ひとこと要約

本調査は、従来の手法およびディープラーニングベースの手法を含む、ニュースレコメンデーションシステム（NRS）分野における最近の進展、課題、機会をレビューする。データセット、精度を超えた評価指標、プラットフォームアーキテクチャ、レコメンデーションの行動的影響を分析し、研究者および実務家がNRSの設計を改善し、ユーザーへの悪影響を軽減するための知見を提供する。

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 interested in. In this paper, we highlight the major challenges faced by the news recommendation 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 discussion in two parts. In the first part, we present an overview of the conventional recommendation solutions, datasets, evaluation criteria beyond accuracy and recommendation platforms being used in NRS. In the second part, we explain the deep learning-based recommendation 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 remedies 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

• 従来の手法およびディープラーニングベースの手法を含む、ニュースレコメンデーションシステム（NRS）分野における最近の進展を包括的にレビューすること。
• 情報過多、ユーザーの好みの変化、エコーチャンバーといったNRSの主な課題を特定すること。
• NRS研究で用いられるデータセット、精度を超えた評価基準、レコメンデーションプラットフォームを分析すること。
• ニュースレコメンデーションがユーザー行動に与える影響を調査し、その緩和戦略を提案すること。
• NRSのパフォーマンスおよび公平性を向上させるための、新たな研究分野と実務的機会を強調すること。

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、ハイブリッドモデルなどの従来のNRSアプローチを分類しレビューする。
• ニューラル協調フィルタリング、シーケンスモデリング（例：RNN、Transformers）、グラフニューラルネットワークなどのディープラーニングベースのNRS手法を分析する。
• TDT3、MIND、News-Recといった広く使われているベンチマークデータセットをレビューし、精度を超えた指標（例：多様性、カバレッジ、新規性）を用いて性能を評価する。
• 実世界のNRSプラットフォームおよびデプロイメントアーキテクチャを検討し、オンライン/オフライン学習パイプラインを含む。
• レコメンデーションがユーザー行動に与える影響を評価し、ニュースの多様性低下や極化の増加といった事象を分析する。
• 公平性を意識した学習、多様性を促進する損失関数、解釈可能性技術を用いた、負の行動的影響を緩和するための対策を提案する。

実験結果

リサーチクエスチョン

• RQ1 現代のニュースレコメンデーションシステムにおける主な技術的・倫理的課題は何か？
• RQ2 ディープラーニングモデルは、従来の手法に比べてどのようにニュースレコメンデーションのパフォーマンスを向上させるか？
• RQ3 精度を超えた評価指標として、ニュースレコメンデーションの質を評価するために不可欠なものは何か？
• RQ4 ニュースレコメンデーションは、ニュースの消費の多様性や誤情報への暴露といったユーザー行動にどのように影響を与えるか？
• RQ5 より公平で、透明性が高く、効果的なNRSを構築するための、最も有望な今後の研究分野は何か？

主な発見

• 特にTransformersおよびグラフニューラルネットワークに基づくディープラーニングモデルは、従来の手法に比べ、ニュースレコメンデーションの精度と文脈モデリング能力で顕著に優れている。
• 精度を超えた評価——多様性、カバレッジ、新規性——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。
• フィードバックループやフィルターバブルの影響により、ニュースレコメンデーションシステムはしばしばニュースの多様性を低下させ、極化を助長する。
• ユーザー行動はレコメンデーションシステムの影響を強く受け、既存の好みに合致するコンテンツを好んで消費する傾向が強い。
• 公平性を意識した損失関数や多様性を促進するトレーニング戦略といった対策により、負の行動的影響を緩和できる。
• MINDデータセットや類似のベンチマークは、NRS研究の中心的役割を果たしており、標準化された評価とモデル比較を可能としている。