[论文解读] 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 11

一句话总结

本综述对个性化新闻推荐提供了全面且以问题为中心的概述，围绕核心挑战而非传统分类体系组织技术。它回顾了方法、数据集、评估协议、责任改进以及自然语言处理和数据挖掘领域的未来研究方向，以推动该领域的发展。

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.

研究动机与目标

• 为研究人员提供个性化新闻推荐的全面且最新的概述。
• 将该领域重新聚焦于核心问题及其相关技术挑战，而非传统的分类方法体系。
• 回顾解决个性化新闻推荐系统中关键问题的现有技术。
• 总结该领域中使用的公开数据集和标准评估方法。
• 讨论提升新闻推荐系统责任性与伦理考量的策略。

提出的方法

• 提出一种新颖的问题驱动分类法，以核心挑战（如用户建模、新闻表征、冷启动问题）为中心组织该领域。
• 回顾用户偏好建模技术，包括协同过滤、基于内容的过滤以及深度学习方法。
• 分析新闻表征学习方法，如词嵌入、基于 BERT 的模型以及图神经网络。
• 研究结合用户行为序列与新闻内容的混合与序列建模技术。
• 讨论使用标准公开数据集和指标（如 NDCG、MAP 和 Recall）的评估协议。
• 引入提升系统责任性的框架，包括公平性、可解释性以及去偏技术。

实验结果

研究问题

• RQ1 个性化新闻推荐系统中持续存在的核心问题是什么？
• RQ2 不同技术方法如何应对数据稀疏性、冷启动和概念漂移等挑战？
• RQ3 新闻推荐研究中常用的公开数据集和评估指标有哪些？
• RQ4 有哪些策略可以提升新闻推荐系统的责任性、公平性与透明度？
• RQ5 个性化新闻推荐领域最具前景的未来研究方向是什么？

主要发现

• 以问题为中心的视角为理解与推进个性化新闻推荐提供了更连贯且可操作的框架。
• 深度学习与基于 Transformer 的模型显著提升了新闻表征与用户偏好建模的性能。
• 混合与序列建模方法在捕捉动态用户兴趣方面优于传统方法。
• 标准评估指标（如 NDCG 与 MAP）仍被广泛使用，且 MIND 等公开数据集使研究具备可复现性。
• 责任意识技术（包括公平性与去偏方法）正成为现代系统中的关键组成部分。
• 仍存在若干开放性挑战，包括长期用户建模、可解释性，以及在推荐流程中处理虚假信息的问题。