[논문 리뷰] News Recommender System: A review of recent progress, challenges, and opportunities

Shaina Raza, Chen Ding|arXiv (Cornell University)|2020. 09. 10.

Recommender Systems and Techniques참고 문헌 117인용 수 12

한 줄 요약

이 종합 검토는 최근 뉴스 추천 시스템(NRS)의 발전, 도전 과제, 기회를 종합적으로 분석하며, 전통적 접근법과 딥 러닝 기반 방법을 모두 포함한다. 데이터셋, 정확도를 초월한 평가 지표, 플랫폼 아키텍처, 추천의 행동적 영향을 분석하여 연구자와 실무자들이 NRS 설계를 개선하고 부정적 사용자 영향을 완화하는 데 도움이 되는 통찰을 제공한다.

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

연구 동기 및 목표

• 기존 및 딥 러닝 기반 방법을 포함한 뉴스 추천 시스템(NRS)의 최근 진전을 종합적으로 검토하는 것.
• 정보 과부하, 사용자 선호도 이탈, 에코 챔버와 같은 NRS의 핵심 도전 과제를 규명하는 것.
• NRS 연구에서 사용되는 데이터셋, 정확도를 초월한 평가 기준, 추천 플랫폼을 분석하는 것.
• 뉴스 추천이 사용자 행동에 미치는 영향을 조사하고 이를 완화하기 위한 전략을 제안하는 것.
• 더 공정하고 투명하며 효과적인 NRS를 구축하기 위한 미래 연구 방향과 실무적 기회를 부각하는 것.

제안 방법

• 협업 필터링, 콘텐츠 기반 필터링, 하이브리드 모델 등을 포함한 기존 NRS 접근법을 분류하고 검토한다.
• 신경망 기반 NRS 방법을 분석하며, 예를 들어 순차 모델링(예: RNN, 트랜스포머), 그래프 신경망 등을 포함한다.
• TDT3, MIND, News-Rec와 같은 널리 사용되는 벤치마크 데이터셋을 검토하고, 정확도를 초월한 지표(예: 다양성, 커버리지, 신선도)를 사용해 성능을 평가한다.
• 실제 NRS 플랫폼과 구현 아키텍처를 분석하며, 온라인/오프라인 학습 파이프라인 등을 고려한다.
• 추천이 사용자 행동에 미치는 영향을 평가하며, 뉴스 다양성 감소와 정치적 극화 증가 등의 문제를 다룬다.
• 공정성 인식 학습, 다양성 증진 손실 함수, 해석 가능성 기법과 같은 복구 전략을 제안하여 부정적 행동적 영향을 완화한다.

실험 결과

연구 질문

• RQ1 현대 뉴스 추천 시스템에서 주요 기술적·윤리적 도전 과제는 무엇인가요?
• RQ2 딥 러닝 모델은 기존 방법에 비해 뉴스 추천 성능을 어떻게 향상시키나요?
• RQ3 뉴스 추천 품질 평가에 있어 정확도를 초월한 필수 평가 지표는 무엇인가요?
• RQ4 뉴스 추천은 뉴스 소비 다양성과 오락성 정보 노출에 사용자 행동에 어떤 영향을 미치나요?
• RQ5 더 공정하고 투명하며 효과적인 NRS를 구축하기 위한 가장 유망한 미래 연구 방향은 무엇인가요?

주요 결과

• 트랜스포머와 그래프 신경망 기반의 딥 러닝 모델은 전통적 방법에 비해 뉴스 추천 정확도와 맥락 모델링에서 뚜렷한 우수성을 보인다.
• 정확도를 초월한 평가—예를 들어 다양성, 커버리지, 신선도—는 실제 NRS 성능 평가에 매우 중요하다.
• 뉴스 추천 시스템은 피드백 루프와 필터 버블로 인해 뉴스 다양성 감소와 극화 증가에 기여하는 경우가 많다.
• 사용자 행동은 추천 시스템의 영향을 크게 받으며, 사용자는 기존 선호도에 부합하는 콘텐츠를 선호하는 경향이 있다.
• 공정성 인식 손실 함수와 다양성 증진 학습 전략과 같은 복구 전략은 부정적 행동적 영향을 완화하는 데 효과적이다.
• MIND 데이터셋과 같은 벤치마크는 NRS 연구에서 중심적인 역할을 하며, 표준화된 평가와 모델 비교를 가능하게 했다.