[논문 리뷰] 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)|2020. 09. 10.

Recommender Systems and Techniques참고 문헌 11인용 수 5

한 줄 요약

이 종합 검토는 뉴스 추천 시스템(NRS)에 대한 포괄적인 분석을 제시하며, 전통적이고 딥 러닝 기반의 접근 방식을 다루며, 시의성, 동적인 사용자 관심사, 콘텐츠 품질, 추천의 행동적 영향에 중점을 둔다. 이 논문은 핵심 과제를 규명하고 최신 기술적 해결책을 평가하며, 사용자에 대한 부정적 영향을 완화하기 위한 대안을 제안하여 향후 NRS 분야의 연구 및 개발을 위한 비전도 제시한다.

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.

연구 동기 및 목표

• 온라인 뉴스 소비에서 정보 과부하 문제를 해결하기 위해 뉴스 추천 시스템(NRS)을 개선하는 것.
• 시의성과 동적인 사용자 관심사를 중점으로 하여 NRS에서의 전통적 및 딥 러닝 기반 추천 기법을 분석하는 것.
• NRS에서 사용되는 데이터셋, 정확도 이외의 평가 지표, 기존 추천 플랫폼을 평가하는 것.
• 뉴스 추천이 독자에게 미치는 행동적 영향을 조사하고, 이를 완화하기 위한 전략을 제안하는 것.
• 현재의 발전 상황을 종합적으로 개괄하고, 향후 연구 방향을 규명하는 것.

제안 방법

• 협업 필터링, 콘텐츠 기반 필터링, 하이브리드 접근 방식을 포함한 전통적 추천 방법을 조사하는 것.
• 사용자 선호도의 동적 특성을 위해 어텐션 메커니즘과 순차적 모델링을 활용한 최신 딥 러닝 모델을 검토하는 것.
• NRS 연구에서 사용되는 벤치마크 데이터셋을 분석하고, 정확도 이외의 성능 평가 지표(다양성, 커버리지, 공정성 등)를 평가하는 것.
• 실제 NRS 구현에서 사용되는 추천 플랫폼과 시스템 아키텍처를 분석하는 것.
• 실증 연구와 사용자 행동 분석을 통해 추천이 뉴스 독자에게 미치는 심리적 및 행동적 영향을 조사하는 것.
• 추천 투명성과 다양성 향상을 통해 필터 버블과 에코 채터 문제를 완화하기 위한 잠재적 해결책을 제안하는 것.

실험 결과

연구 질문

• RQ1 전통적 및 딥 러닝 기반의 추천 기법은 뉴스 추천에서 시의성과 변화하는 사용자 관심사를 어떻게 해결하는가?
• RQ2 현재 NRS 연구 및 응용에서 주로 사용되는 핵심 데이터셋, 평가 지표, 시스템 플랫폼은 무엇인가?
• RQ3 뉴스 추천은 독자에게 정보 다양성과 노출 측면에서 어떤 행동적 및 심리적 영향을 미치는가?
• RQ4 필터 버블과 콘텐츠 품질 저하와 같은 부정적 결과를 완화하기 위해 추천 시스템은 어떻게 개선될 수 있는가?
• RQ5 효과적이고 책임감 있는 뉴스 추천 시스템을 구축하는 데 있어 열려 있는 과제와 향후 연구 방향은 무엇인가?

주요 결과

• 딥 러닝 모델은 전통적 방법에 비해 뉴스 소비의 동적 사용자 관심사와 시간적 동역학을 더 잘 모델링한다.
• 정확도 이외의 평가, 예를 들어 다양성, 커버리지, 공정성은 실제 NRS 성능 평가에 필수적이다.
• 추천 시스템은 간접적으로 필터 버블과 콘텐츠 다양성 감소를 유도할 수 있으며, 이는 사용자의 다양한 시각에 대한 노출에 영향을 미칠 수 있다.
• 사용자 신뢰를 높이고 극단화를 줄이기 위해 설명 가능하고 투명한 추천 시스템의 필요성이 점점 커지고 있다.
• 기존의 NRS 데이터셋과 플랫폼은 급속 확산되는 뉴스나 바이럴 콘텐츠와 같은 실제 동적 환경를 충분히 반영하지 못하고 있다.
• 콘텐츠 품질 평가와 사용자 피드백 메커니즘의 통합은 추천의 관련성과 신뢰성 향상에 핵심적이다.