[论文解读] 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)|Sep 10, 2020

Recommender Systems and Techniques参考文献 11被引用 5

一句话总结

本综述对新闻推荐系统（NRS）进行了全面分析，涵盖传统方法与基于深度学习的方法，重点关注时效性、动态用户兴趣、内容质量以及推荐对用户行为的影响。文章识别了关键挑战，评估了最先进解决方案，并提出了减轻负面用户影响的对策，为NRS的未来研究与开发提供了路线图。

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.

研究动机与目标

• 通过改进新闻推荐系统（NRS）来应对在线新闻消费中的信息过载问题。
• 分析NRS中传统与基于深度学习的推荐技术，重点关注时效性与动态用户兴趣。
• 评估NRS中使用的数据集、超越准确率的评估指标，以及现有推荐平台。
• 研究新闻推荐对读者行为的影响，并提出缓解策略。
• 全面概述当前发展动态，并确定NRS未来的科研方向。

提出的方法

• 调研传统推荐方法，包括协同过滤、基于内容的过滤以及混合方法。
• 回顾应用于NRS的最先进深度学习模型，例如利用注意力机制和序列建模来捕捉动态用户偏好的模型。
• 分析NRS研究中使用的基准数据集，并评估超越准确率的性能指标，包括多样性、覆盖率和公平性。
• 考察实际NRS部署中使用的推荐平台与系统架构。
• 通过实证研究与用户行为分析，探究推荐对新闻读者的心理与行为影响。
• 提出潜在对策，通过提升推荐的透明度与多样性，减轻滤镜效应与回音室现象等负面影响。

实验结果

研究问题

• RQ1 传统与基于深度学习的推荐技术在新闻推荐中如何应对时效性与不断变化的用户兴趣？
• RQ2 当前NRS研究与应用中使用的关键数据集、评估指标与系统平台有哪些？
• RQ3 新闻推荐对读者的行为与心理影响是什么，特别是在信息多样性与信息暴露方面？
• RQ4 如何改进推荐系统以减轻滤镜效应等负面结果以及内容质量下降的问题？
• RQ5 构建高效且负责任的新闻推荐系统面临哪些开放性挑战与未来研究方向？

主要发现

• 与传统方法相比，深度学习模型在建模用户动态兴趣与新闻消费的时间动态方面有显著提升。
• 超越准确率的评估——如多样性、覆盖率与公平性——对于评估真实世界NRS性能至关重要。
• 推荐系统可能无意中加剧滤镜效应与内容多样性下降，影响用户接触多元观点的机会。
• 迫切需要可解释且透明的推荐系统，以增强用户信任并减少社会极化。
• 现有的NRS数据集与平台通常缺乏对现实动态（如突发新闻与病毒式内容）的充分表征。
• 整合内容质量评估与用户反馈机制，对提升推荐的相关性与可靠性至关重要。