Analysis of Short Dwell Time in Relation to User Interest in a News Application
停留时间已广泛用于各个领域以评估内容质量和用户参与度。虽然许多研究表明，停留时间长的内容质量好，但停留时间短的内容尚未详细讨论。我们假设停留时间短的内容并不总是低质量的，并不总是具有低用户参与度，而是与用户兴趣相关。本研究的目的在于阐明短停留时间浏览在手机新闻应用中的意义。首先，我们使用来自移动新闻应用的大规模用户行为日志来分析短停留时间与用户兴趣的关系。该分析基于用户点击历史在向量空间上进行，然后将用户和文章映射在同一空间中。停留时间短的用户集中在这个空间中的特定位置;因此，停留时间的长度与他们的兴趣有关。此外，我们还分析了短停留时间浏览的特点，排除这些浏览从他们的点击历史。令人惊讶的是，排除短停留时间点击历史，发现短停留时间点击历史在30.87%的用户集群改变的实例中包括用户兴趣的某些方面。这些发现表明，短停留时间并不总是表明低水平的用户参与度，但也表明用户的兴趣水平。
2020-12-27 cs.DL cs.IR cs.SI
Public Sphere 2.0: Targeted Commenting in Online News Media
Microsoft India（微软印度）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
本文提出了一种基于深度神经网络的系统，用于自动将在线新闻评论分类到文章的特定部分，以提高读者参与度。
2019-02-21 cs.IR
Cannot Predict Comment Volume of a News Article before (a few) Users Read It
许多新闻媒体允许用户对有关每日世界事件的话题发表评论。新闻文章是激发用户贡献内容的兴趣的种子，即，评论.一篇文章可能会吸引冷漠的用户参与（几十条评论）或自发的热情用户参与（数千条评论）。在本文中，我们研究的问题，预测用户评论的新闻文章将收到的总数。我们的主要观点是，用户评论的早期动态对准确预测的贡献最大，而新闻文章的具体因素影响甚微。这似乎是一个有趣且未被充分研究的现象：新闻媒体的集体社交行为会影响用户的反应，甚至可能会淡化文章的内容。我们汇编和分析了大量的功能，既旧又新的文学。这些特征涵盖了广泛的方面，包括新闻文章和评论内容，时间动态，情感/语言特征和用户行为。我们发现，评论的早期到达率是最终评论数量的最佳指标。我们从多个维度对这一特征进行了深入分析，例如新闻媒体和新闻文章类别。我们发现，早期率和最终评论数量之间的关系以及预测准确性在新闻媒体和新闻文章类别（例如，政治、体育或健康）。
2020-10-17 cs.IR
Machine Learning Explanations to Prevent Overtrust in Fake News Detection
Texas A&M University（德克萨斯A&M大学）；University of Florida（佛罗里达大学）
打击假新闻和错误信息传播是后真相时代的一项具有挑战性的任务。新闻提要和搜索算法可能会导致虚假和捏造信息的无意大规模传播，用户会接触到算法选择的虚假内容。我们的研究调查了嵌入新闻评论平台的可解释人工智能助手对打击假新闻传播的影响。我们设计了一个新闻评论和分享界面，创建了一个新闻故事数据集，并训练了四种可解释的假新闻检测算法，以研究算法透明度对最终用户的影响。我们目前的评估结果和分析，从多个控制的众包研究。为了更深入地了解可解释的人工智能系统，我们讨论了用户参与度，心理模型，信任和解释过程中的性能指标之间的相互作用。研究结果表明，解释有助于被试在不同条件下建立适当的智能助手心理模型，并根据模型的局限性调整他们的信任。
2020-07-27 cs.AI cs.IR cs.SI
System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes
FAIR at Meta（Meta FAIR实验室）
本文提出一种基于时间点过程的生成模型，通过自激Hawkes过程解耦用户System-1冲动与System-2效用决策，利用用户返回平台的概率推断真实效用，实现基于效用而非单纯参与度的内容优化。
2024-05-29 cs.IR cs.LG stat.ML
Improving News Recommendations through Hybrid Sentiment Modelling and Reinforcement Learning
University of Pretoria（比勒陀利亚大学）
本文通过混合情感分析与强化学习方法，改进新闻推荐系统，提升个性化和情感匹配能力。
2025-12-08 cs.IR
Recommenders with a mission: assessing diversity in newsrecommendations
新闻发布者帮助用户找到相关的在线内容，并有可能在民主社会中发挥关键作用，将公民稀缺的注意力引导到对他们最重要的信息上。与此同时，最近对所谓的过滤泡沫、错误信息和选择性曝光的担忧，是这些数字新闻传播者破坏性潜力的症状。推荐系统可以制造或打破过滤气泡，因此可以帮助创建一个更封闭或更开放的互联网。目前评估推荐系统的方法通常集中在测量用户点击和短期参与的增加，而不是测量用户对各种重要信息的长期兴趣。本文的目的是弥合规范的多样性概念，植根于民主理论，和定量指标评估推荐系统之间的差距。我们提出了一套基于社会科学的多样性解释的指标，并提出了实际实施的方法。
2020-12-18 cs.IR
The closed loop between opinion formation and personalised recommendations
University College Groningen, University of Groningen（格罗宁根大学格罗宁根大学学院）；University of Twente（特文特大学）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔国立高等物理、数学与信息学院）
在在线平台中，推荐系统负责将用户引导到相关内容。为了提高用户的参与度，推荐系统调整其输出以适应用户的反应，而用户又受到推荐内容的影响。在这项工作中，我们研究了一个易于处理的分析模型的用户与在线新闻聚合器进行交互，明确的反馈循环之间的用户的意见和个性化推荐的内容的演变的目的。更具体地说，我们假设用户被赋予了关于某个问题的标量意见，并在新闻聚合器上寻找关于它的新闻：这种意见受到所有收到的新闻的影响，这些新闻的特点是对手头问题的二元立场。用户受到确认偏差的影响，即对确认其当前观点的新闻的偏好。新闻聚合器推荐项目的目标是最大化用户的点击次数（作为衡量用户参与度的标准）：为了实现其目标，推荐器必须在探索用户的偏好和利用迄今为止所学到的东西之间做出妥协。在定义了推荐系统的有效性（如点击率）及其对意见的影响的适当指标后，我们进行了大量的数值模拟和模型的数学分析。我们发现，个性化的建议显着影响意见的演变，并有利于出现更极端的：这些影响的强度是内在相关的有效性的推荐。我们还表明，通过调整推荐算法中的随机性，可以在推荐系统的有效性及其对意见的影响之间寻求平衡。
2019-09-09 cs.IR cs.LG cs.SI
Predicting Companies' ESG Ratings from News Articles Using Multivariate Timeseries Analysis
University of Innsbruck（因斯布鲁克大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
近年来，公司参与环境、社会和治理（ESG）成为公众关注的焦点。随着强制性报告要求的实施以及投资者将可持续性纳入其投资决策，对透明和可靠的ESG评级的需求正在增加。然而，尽管环境、社会和治理问题日益重要，但预测该问题评级的自动方法却相当稀少。在本文中，我们构建了一个模型，使用多变量时间序列构建和深度学习技术相结合的方法来预测新闻文章的ESG评级。此外，还创建了约3，000家美国公司的新闻数据集及其评级，并发布用于培训。通过实验评估，我们发现，我们的方法提供了准确的结果优于国家的最先进的，并可以在实践中使用，以支持手动确定或分析的ESG评级。
2022-11-13 cs.IR cs.LG q-fin.GN
Learning to Determine the Quality of News Headlines
York University（约克大学）；The Globe and Mail（环球邮报）
今天，大多数新闻播音员阅读新闻文章的在线版本，而不是传统的纸质报纸。此外，新闻媒体出版商在很大程度上依赖于新闻阅读员的订阅和网站访问所产生的收入。因此，在线用户参与度对于在线报纸来说是一个非常重要的问题。为了吸引网民的注意力，人们花了很多精力来撰写有趣的标题。另一方面，标题不应具有误导性（例如，点击诱饵）;否则，读者在阅读内容时会感到失望。本文提出了四个衡量新闻标题质量的指标，即通过网站日志分析获得的点击量和停留时间。然后，我们使用软目标分布的计算质量指标训练我们提出的深度学习模型，可以预测未发布的新闻标题的质量。该模型不仅处理文章标题和正文的潜在特征来预测标题质量，而且还考虑标题和正文之间的语义关系。为了评估我们的模型，我们使用了来自加拿大一家主要报纸的真实数据集。结果表明，我们提出的模型优于其他国家的最先进的NLP模型。
2020-04-19 cs.CL cs.IR cs.LG
Controlled Personalization in Legacy Media Online Services: A Case Study in News Recommendation
University of Klagenfurt（克雷格弗尔特大学）；University of Bergen（卑尔根大学）
本文通过A/B测试评估了传统新闻媒体在在线平台上采用受控个性化策略的效果，发现适度的个性化能提高点击率、减少导航努力、增加内容多样性和目录覆盖，并降低流行度偏差，从而在满足用户需求的同时维护编辑价值。
2026-05-22 cs.AI cs.IR
Toward the Next Generation of News Recommender Systems
本文提出了下一代新闻推荐系统（RS）的愿景和研究议程，称为表d 'hote方法。一桌套餐（翻译为主人的餐桌）是一系列的课程，为客人创造一个平衡和愉快的用餐体验。同样，我们认为新闻RS应该通过满足用户的新闻饮食需求来努力为用户创造类似的体验。虽然现存的新闻RS考虑的标准，如多样性和偶然性，和RS捆绑已被研究的其他背景下，如旅游，表d'hote更进一步，通过确保推荐的文章满足不同的用户需求，在正确的比例和特定的顺序。在套餐中，可用的文章需要根据新闻为读者创造价值的不同方式进行分层，建立在新闻和用户参与的理论和实证研究基础上。使用的使用和满足（U&G）的消费者从媒体的传播的理论和实证研究，我们定义了两个主要阶层的一个表d 'hote新闻RS，每个有自己的基层：1）监督，其中包括用户需要知道的信息，和2）意外发现，这是提供意想不到的惊喜的文章。根据所定义的层次的文章的多样性和推荐列表中的文章的顺序也是为了给用户最有效的阅读体验的套餐的两个重要方面。我们提出了我们的愿景，将其与RS文献中的现有概念联系起来，并确定未来研究的挑战。
2021-03-11 cs.IR
Verify as You Go: An LLM-Powered Browser Extension for Fake News Detection
Department of Computer Science and Operations Research, University of Montreal（计算机科学与运筹学系，蒙特利尔大学）
Aletheia通过结合RAG和大语言模型，提供基于证据的假新闻检测和用户互动功能，提升透明度和用户参与度。
2026-02-03 cs.CL cs.HC cs.IR
Regression and Learning to Rank Aggregation for User Engagement Evaluation
University of Tehran（德黑兰大学）
用户参与度是指实例的交互量（例如，tweet，news，and forum论坛post帖子）achieved实现.基于用户参与的数量对社交媒体网站中的项目进行排名，可以用于不同的应用，例如推荐系统。在本文中，我们将包含电影评级的推文视为实例，并专注于基于参与度对每个用户的实例进行排名，即，它将获得的转发和收藏的总数。对于这项任务，我们定义了几个功能，可以从每个推文的元数据中提取。这些功能分为三类：基于用户的，基于电影的和基于推文的。我们表明，为了获得良好的结果，应考虑所有类别的功能。我们利用回归和学习排序的方法来排名的推文，并提出了聚合的回归和学习排序方法的结果，以实现更好的性能。我们已经在ACM RecSys Challenge 2014提供的MovieTweet数据集的扩展版本上运行了我们的实验。结果表明，学习排序方法优于大多数回归模型，组合可以显着提高性能。
2015-01-29 cs.IR cs.LG
Modelling the Recommender Alignment Problem
Instituto Superior Técnico（高等技术学院）
推荐系统（RS）是人类在线体验的中介。大多数RS都采取行动来优化与用户最佳利益不完全一致但易于测量的指标，如广告点击和用户参与度。这导致了一系列难以衡量的副作用：政治两极分化、成瘾、假新闻。RS设计面临着一个推荐器对齐问题：将推荐与用户、系统设计者和整个社会的目标对齐。但是，我们如何测试和比较潜在的解决方案，以调整RS？它们的巨大规模使得它们在部署中进行测试的成本和风险很高。我们合成了一个简单的抽象建模框架，以指导未来的工作。为了说明这一点，我们构建了一个玩具实验，我们问：“我们如何评估使用用户保留作为奖励函数的后果？为了回答这个问题，我们学习了推荐策略，通过控制玩具环境中的图形动态来优化奖励函数。基于训练有素的管理者对环境的影响，我们得出结论，参与最大化者通常会导致比对齐管理者更糟糕的结果，但并不总是如此。学习后，我们研究RS之间的竞争作为RS对齐的潜在解决方案。我们发现，它通常使我们的玩具社会比没有推荐或参与最大化者的情况下更好。在这项工作中，我们的目标是广泛的范围，表面上触及许多不同的点，以阐明如何对推荐系统的奖励功能进行端到端的研究。推荐器对齐是一个迫切而重要的问题。尝试的解决方案肯定会产生深远的影响。在这里，我们迈出了第一步，开发方法来评估和比较解决方案对社会的影响。
2022-08-25 cs.AI cs.IR
