[논문 리뷰] Personalized News Recommendation: A Survey.

Chuhan Wu, Fangzhao Wu외 1명|arXiv (Cornell University)|2021. 06. 16.

Recommender Systems and Techniques참고 문헌 182인용 수 11

한 줄 요약

이 종합 검토는 전통적인 분류 체계가 아닌 핵심 과제 중심으로 접근하여 개인화된 뉴스 추천 분야에 대한 종합적이고 문제 중심의 개요를 제공한다. 자연어 처리 및 데이터 마이닝 분야의 발전을 위해 기법, 데이터셋, 평가 프rotocol, 책임성 향상 전략, 향후 연구 방향을 검토한다.

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.

연구 동기 및 목표

• 연구자들을 대상으로 개인화된 뉴스 추천 분야에 대한 종합적이고 최신의 개요를 제공하기 위해.
• 기존의 방법론적 분류 체계가 아닌 핵심 문제와 관련된 기술적 과제 중심으로 분야를 재구성하기 위해.
• 개인화된 뉴스 추천 시스템의 핵심 문제를 해결하기 위한 기존 기법들을 검토하기 위해.
• 분야에서 사용되는 공개 데이터셋과 표준 평가 방법을 요약하기 위해.
• 뉴스 추천 시스템의 책임성 및 윤리적 고려사항을 향상시키기 위한 전략을 논의하기 위해.

제안 방법

• 사용자 모델링, 뉴스 표현, 쿨스타트 문제와 같은 핵심 과제에 중점을 두어 분야를 체계화하는 새로운 문제 기반 분류 체계를 제안한다.
• 협업 필터링, 콘텐츠 기반 필터링, 딥러닝 접근법을 포함한 사용자 선호도 모델링 기법들을 검토한다.
• 워드 임베딩, BERT 기반 모델, 그래프 신경망과 같은 뉴스 표현 학습 방법들을 분석한다.
• 사용자 행동 시퀀스와 뉴스 콘텐츠를 통합하는 하이브리드 및 순차적 모델링 기법들을 검토한다.
• NDCG, MAP, Recall과 같은 표준 평가 지표를 사용한 공개 데이터셋 기반 평가 프로토콜을 분석한다.
• 정당성 향상을 위한 프레임워크를 소개하며, 공정성, 투명성, 편향 제거 기법을 포함한다.

실험 결과

연구 질문

• RQ1 개인화된 뉴스 추천 시스템에서 지속적으로 발생하는 核심 문제들은 무엇인가?
• RQ2 다양한 기술적 접근법은 데이터 희소성, 쿨스타트 문제, 개념 이동과 같은 과제를 어떻게 해결하는가?
• RQ3 뉴스 추천 연구에서 일반적으로 사용되는 공개 데이터셋과 평가 지표는 무엇인가?
• RQ4 뉴스 추천 시스템의 책임성, 공정성, 투명성을 향상시키기 위한 전략은 무엇인가?
• RQ5 개인화된 뉴스 추천 분야에서 가장 유망한 향후 연구 방향은 무엇인가?

주요 결과

• 문제 중심의 시각은 개인화된 뉴스 추천을 이해하고 발전시키기 위한 더 통합적이고 실천 가능한 프레임워크를 제공한다.
• 딥러닝 및 트랜스포머 기반 모델은 뉴스 표현과 사용자 선호도 모델링에 있어 크게 향상시켰다.
• 하이브리드 및 순차적 모델링 기법들은 동적인 사용자 관심사를 더 잘 포착하여 전통적 방법을 능가한다.
• NDCG 및 MAP와 같은 표준 평가 지표는 여전히 널리 사용되며, MIND와 같은 공개 데이터셋은 재현 가능한 연구를 가능하게 한다.
• 공정성 및 편향 제거 기법을 포함한 책임감 있는 기술들은 현대 시스템에서 핵심 구성 요소로 부상하고 있다.
• 장기적 사용자 모델링, 설명 가능성, 추천 파이프라인 내에서의 오락성 정보 처리와 같은 여러 열린 과제가 남아 있다.