[论文解读] News Recommender System: A review of recent progress, challenges, and opportunities

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

Recommender Systems and Techniques参考文献 117被引用 12

一句话总结

本综述回顾了新闻推荐系统（NRS）在近期进展、挑战与机遇方面的研究，涵盖传统方法与基于深度学习的方法。分析了数据集、超越准确率的评估指标、平台架构，以及推荐对用户行为的影响，为研究人员和从业者改进NRS设计并减轻负面用户影响提供了洞见。

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

研究动机与目标

• 提供对传统与基于深度学习的新闻推荐系统（NRS）近期进展的全面综述。
• 识别NRS中的关键挑战，包括信息过载、用户偏好漂移以及回音室效应。
• 分析NRS研究中使用的数据集、超越准确率的评估标准，以及推荐平台。
• 研究新闻推荐对用户行为的影响，并提出缓解策略。
• 突出未来研究的有前景方向以及提升NRS性能与公平性的实际机遇。

提出的方法

• 对传统NRS方法进行分类与综述，包括协同过滤、基于内容的过滤以及混合模型。
• 分析基于深度学习的NRS方法，如神经协同过滤、序列建模（例如RNNs、Transformers）以及图神经网络。
• 综述广泛使用的基准数据集，如TDT3、MIND和News-Rec，并使用超越准确率的指标（如多样性、覆盖率、新颖性）评估性能。
• 考察实际的NRS平台与部署架构，包括在线/离线学习流水线。
• 评估推荐对用户行为的影响，如新闻多样性下降与极化程度增加。
• 提出缓解措施，如公平性感知训练、促进多样性的损失函数以及可解释性技术，以减轻负面行为影响。

实验结果

研究问题

• RQ1 现代新闻推荐系统面临的主要技术和伦理挑战是什么？
• RQ2 与传统方法相比，深度学习模型如何提升新闻推荐的性能？
• RQ3 哪些超越准确率的评估指标对评估新闻推荐质量至关重要？
• RQ4 新闻推荐如何影响用户行为，例如新闻消费多样性及对虚假信息的暴露？
• RQ5 构建更公平、更透明、更高效的NRS，未来最具前景的研究方向是什么？

主要发现

• 基于Transformers和图神经网络的深度学习模型在新闻推荐的准确率与上下文建模方面显著优于传统方法。
• 超越准确率的评估——如多样性、覆盖率与新颖性——对于评估真实世界NRS性能至关重要。
• 新闻推荐系统常因反馈回路与过滤气泡效应，导致新闻多样性下降与极化程度上升。
• 用户行为显著受推荐系统影响，用户倾向于消费与其既有偏好一致的内容。
• 公平性感知损失函数与促进多样性的训练策略等缓解措施，可减轻负面行为影响。
• MIND数据集及类似基准已成为NRS研究的核心，推动了标准化评估与模型对比。