[論文レビュー] Personalized News Recommendation: A Survey.

Chuhan Wu, Fangzhao Wu+1 more|arXiv (Cornell University)|Jun 16, 2021

Recommender Systems and Techniques参考文献 182被引用数 11

ひとこと要約

本サーベイは、伝統的な分類法ではなく、コアな課題を中心に整理された、パーソナライズドニュースレコメンデーションの包括的で問題中心の概要を提供する。自然言語処理およびデータマイニング分野の進展を促進するため、手法、データセット、評価プロトコル、責任の向上、今後の研究方向性をレビューする。

ABSTRACT

Personalized news recommendation is an important technique to help users find their interested news information and alleviate their information overload. It has been extensively studied over decades and has achieved notable success in improving users' news reading experience. However, there are still many unsolved problems and challenges that need to be further studied. To help researchers master the advances in personalized news recommendation over the past years, in this paper we present a comprehensive overview of personalized news recommendation. Instead of following the conventional taxonomy of news recommendation methods, in this paper we propose a novel perspective to understand personalized news recommendation based on its core problems and the associated techniques and challenges. We first review the techniques for tackling each core problem in a personalized news recommender system and the challenges they face. Next, we introduce the public datasets and evaluation methods for personalized news recommendation. We then discuss the key points on improving the responsibility of personalized news recommender systems. Finally, we raise several research directions that are worth investigating in the future. This paper can provide up-to-date and comprehensive views to help readers understand the personalized news recommendation field. We hope this paper can facilitate research on personalized news recommendation and as well as related fields in natural language processing and data mining.

研究の動機と目的

• 研究者向けに、パーソナライズドニュースレコメンデーション分野の包括的かつ最新の概要を提供すること。
• 従来の手法的分類法ではなく、コアな問題と関連する技術的課題を中心に分野を再構成すること。
• パーソナライズドニュースレコメンデーションシステムにおける主要な問題を解決するための既存の技術をレビューすること。
• 分野で用いられる公開データセットと標準的な評価手法を要約すること。
• ニュースレコメンデーションシステムの責任、公平性、透明性を向上させる戦略について議論すること。

提案手法

• ユーザーモデリング、ニュース表現、コールドスタート問題といったコアな課題に注目した、新しい問題ベースの分類法を提案し、分野を構造化する。
• 協調フィルタリング、コンテンツベースフィルタリング、ディープラーニングアプローチを含む、ユーザー嗜好モデリングのための技術をレビューする。
• 単語埋め込み、BERTベースのモデル、グラフニューラルネットワークを含む、ニュース表現学習のための手法を分析する。
• ユーザー行動の系列とニュースコンテンツを統合するハイブリッドおよび順序モデリング技術を検討する。
• NDCG、MAP、Recallなどのメトリクスを用いた、標準的な公開データセットを用いた評価プロトコルを検討する。
• 公平性、透明性、バイアス除去技術を含む、システムの責任を高めるフレームワークを紹介する。

実験結果

リサーチクエスチョン

• RQ1 パーソナライズドニュースレコメンデーションシステムに根強く残るコアな問題は何ですか？
• RQ2 異なる技術的アプローチは、データスパarsity、コールドスタート、コンセプトドリフトといった課題をどのように解決していますか？
• RQ3 ニュースレコメンデーション研究で一般的に使われる公開データセットと評価メトリクスは何か？
• RQ4 ニュースレコメンデーションシステムの責任、公平性、透明性を向上させるための戦略は何か？
• RQ5 パーソナライズドニュースレコメンデーション分野における、最も有望な今後の研究方向性は何か？

主な発見

• 問題中心の視点は、パーソナライズドニュースレコメンデーションの理解と前進を図る上で、より一貫性があり実行可能な枠組みを提供する。
• ディープラーニングおよびトランスフォーマー基盤のモデルは、ニュース表現とユーザー嗜好モデリングの両方で顕著な向上をもたらした。
• ハイブリッドおよび順序モデリングアプローチは、動的なユーザー関心を捉える点で、従来の手法を上回っている。
• NDCG や MAP といった標準的な評価メトリクスは依然として広く使われており、MIND などの公開データセットのおかげで再現可能な研究が可能になっている。
• 公平性やバイアス除去手法を含む、責任を意識した技術は、現代のシステムにおいて重要な構成要素として台頭している。
• 長期的ユーザーモデリング、説明可能性、レコメンデーションパイプライン内での誤情報の取り扱いといった、いくつかの未解決の課題が残っている。