D-RDW: Diversity-Driven Random Walks for News Recommender Systems
本文提出D-RDW算法,通过多样性驱动随机游走与可定制目标分布相结合,为新闻推荐提供透明且计算高效的多样化重排序方案。
2025-08-18 cs.IR
Civic Ground Truth in News Recommenders: A Method for Public Value Scoring
RMIT University(皇家墨尔本理工大学)
本文提出一种通过全国性调查和自动化元数据增强生成价值标签的方法,将公民价值嵌入新闻推荐系统,以实现公共价值评分。
2025-10-26 cs.IR
A Survey on LLM-based News Recommender Systems
IEEE(电气和电子工程师协会)
本综述系统梳理基于大语言模型的新闻推荐系统,涵盖判别式与生成式方法,从新闻、用户和预测三个维度建模,并分析挑战与未来方向。
2025-02-21 cs.AI cs.IR
Evolution of Filter Bubbles and Polarization in News Recommendation
最近在新闻推荐方面的研究表明,评论者可能会让用户过度接触那些支持他们先前观点的文章。然而,大多数现有的工作集中在一个静态的设置或在一个短的时间窗口,留下开放的问题的长期和动态的影响,新闻推荐。本文通过对三个研究问题的系统研究来探讨这些动态影响:1)用户在与新闻阅读者长期反复互动后,其新闻阅读行为发生了怎样的变化?2)在这样一个动态推荐系统中,用户的固有偏好是如何随时间变化的?3)现有的SOTA静态方法能否缓解动态环境中的问题?具体而言,我们进行了全面的数据驱动的研究,通过模拟实验的政治极化的新闻推荐的基础上,40,000注释的新闻文章。我们发现,随着推荐系统的发展,用户会迅速接触到更极端的内容。我们还发现,基于校准的干预可以减缓这种两极分化,但为未来的改进留下了重要的机会
2023-01-26 cs.IR
Revisiting Language Models in Neural News Recommender Systems
本文基于MIND数据集重新审视语言模型在神经新闻推荐系统中的表现,发现更大模型未必提升性能且需更多资源,但对冷启动用户推荐更有效。
2025-01-20 cs.IR
A News Recommender System Considering Temporal Dynamics and Diversity
Ryerson University(瑞尔森大学)
在新闻推荐系统中,读者的偏好会随着时间的推移而改变。有些偏好的变化非常突然(短期偏好),而另一些偏好的变化则需要较长的时间(长期偏好)。虽然现有的新闻推荐系统考虑了读者的完整历史,但它们往往忽略了读者行为的动态性。因此,它们不能满足新闻读者对随时间变化的偏好的需求。此外,最先进的新闻推荐模型通常专注于提供准确的预测,这在传统的推荐场景中可以很好地工作。然而,在新闻推荐系统中,多样性是必不可少的,不仅要保持新闻读者的参与,而且要在民主社会中发挥关键作用。在这篇博士论文中,我们的目标是建立一个新闻推荐系统来解决这两个挑战。我们的系统应该能够:(i)适应读者行为的动态;(ii)在推荐模型的设计中考虑准确性和多样性。我们的新闻推荐系统也可以为未配置文件,匿名和短期的读者,通过利用丰富的新闻项目的边信息,并包括在我们的模型中的隐式反馈。我们用多个评估指标(准确性和多样性指标)来评估我们的模型,以证明我们的方法的有效性。
2021-03-23 cs.AI cs.IR
A Look Into News Avoidance Through AWRS: An Avoidance-Aware Recommender System
The University of Tokyo(东京大学);Nikkei Inc.(日经公司)
针对新闻回避加剧的问题,提出回避感知推荐系统AWRS,将回避作为核心因素融入推荐,在英、挪、日三语数据集上验证了其优于现有方法。
2025-01-21 cs.CL cs.IR
A Context-aware Recommender System for Hyperlocal News: A Conceptual Framework
由于对项目和信息的过滤和排序的需求增加,推荐系统(RS)在各种应用领域中已经流行。今天,有许多数据过滤和推荐的方法和算法。本文提出了一个在超本地新闻领域构建移动RS的概念框架。移动RS是为了满足新闻读者的特定需求而设计的,如时空相关性、新近性、实时更新和验证性新闻。本文还讨论了RS在分布式文件系统中的实现。
2017-12-02 cs.IR cs.SE
A Hybrid Recommendation Framework for Enhancing User Engagement in Local News
本文提出一种融合本地与全局偏好模型的混合新闻推荐框架,通过集成策略和多阶段训练提升推荐准确性与覆盖率,并在合成及丹麦数据集上验证其优于单一模型,旨在增强本地新闻用户参与度。
2025-08-27 cs.IR
Training Large-Scale News Recommenders with Pretrained Language Models in the Loop
BUPT(北京邮电大学);Microsoft Research Asia(微软亚洲研究院);Microsoft(微软公司)
新闻推荐需要深入理解新闻文章的语义。因此,预训练的语言模型(PLM),如BERT和RoBERTa,可以大大有助于推荐质量。然而,让新闻编辑器与如此大的模型一起训练是非常具有挑战性的:新闻编辑器的学习需要密集的新闻编码操作,如果使用PLM作为新闻编码器,其成本是高昂的。在本文中,我们提出了一个新的框架,{SpeedyFeed},它有效地培训基于PLM的新闻编辑的优质。SpeedyFeed以其轻量级编码管道而闻名,这带来了三大优势。首先,它使中间结果完全可用于训练工作流,从而消除了大部分重复但冗余的编码操作。其次,它提高了训练工作流的数据效率,其中可以从编码中消除非信息数据。第三,通过利用简化的新闻编码和紧凑的新闻表示,进一步节省了成本。大量的实验表明,SpeedyFeed导致训练过程加速超过100个$\times$,这使得大模型能够在海量用户数据上高效地训练。SpeedyFeed训练有素的基于PLM的模型展示了极具竞争力的性能,其表现优于最先进的新闻出版商,利润率显著。SpeedyFeed也是一个与模型无关的框架,它可能适用于广泛的基于内容的推荐系统;因此,整个框架是开源的,以促进相关领域的进展。
2021-03-05 cs.AI cs.CL cs.IR
Peeling Back the Layers: An In-Depth Evaluation of Encoder Architectures in Neural News Recommenders
University of Mannheim(曼海姆大学);University of Würzburg(维尔茨堡大学)
本文系统评估神经新闻推荐器中的主流新闻与用户编码器,从表示相似性、推荐列表重叠和整体性能三方面揭示复杂编码未必更优,为简化架构选择提供依据。
2024-10-02 cs.AI cs.IR
Deep Dynamic Neural Network to trade-off between Accuracy and Diversity in a News Recommender System
Ryerson University(瑞尔森大学)
新闻推荐系统的特点是一些独特的挑战,具体到新闻领域。这些挑战来自于读者对动态生成的新闻项目的快速变化的兴趣,这些新闻项目随时间不断变化。新闻阅读也是由读者的长期和短期利益驱动的。此外,新闻推荐系统需要多样性,不仅要让读者参与阅读过程,还要让他们接触到不同的观点和意见。在本文中,我们提出了一个深度神经网络,它将信息丰富的新闻和读者的兴趣共同学习到一个统一的框架中。我们从新闻的标题、摘要(正文)和分类(类别、子类别)中学习新闻的表征(特征)。我们从读者的点击历史中了解读者的长期兴趣,通过LSTMS从最近的点击中了解读者的短期兴趣,通过注意力机制了解读者的多样化兴趣。我们还对我们的模型应用了不同程度的注意力。我们在两个新闻数据集上进行了广泛的实验,以证明我们的方法的有效性。
2021-03-17 cs.AI cs.IR cs.LG
Democratizing News Recommenders: Modeling Multiple Perspectives for News Candidate Generation with VQ-VAE
University of Stuttgart(斯图加特大学);Universitas Mikroskil(米克罗斯基尔大学);IT University of Copenhagen(哥本哈根信息技术大学);Bocconi University(博科尼大学)
本文提出A2CG方法,通过VQ-VAE建模用户兴趣并生成多样化新闻候选,支持民主目标的配置,实现个性化与民主对齐的平衡。
2026-05-12 cs.IR
Simplifying Content-Based Neural News Recommendation: On User Modeling and Training Objectives
提出统一新闻推荐框架,系统比较关键设计维度,发现参数高效的晚期融合和对比训练能显著提升性能并挑战现有方法。
2023-04-06 cs.IR
Beyond Optimizing for Clicks: Incorporating Editorial Values in News Recommendation
FD Mediagroep(FD媒体集团);Talpa Network(Talpa网络);Randstad Groep Nederland(任仕达荷兰集团)
随着算法个性化在新闻领域的应用,新闻机构越来越信任具有先前考虑的编辑责任的自动化系统,例如,优先向读者提供新闻。在本文中,我们研究了自动新闻推荐系统的背景下,新闻机构的编辑价值观。我们利用新闻推荐系统进行并展示了两项在线研究,历时一个半月,涉及1,200多名用户。在我们的第一项研究中,我们探讨了我们的新闻推荐如何在编辑价值观的背景下引导阅读行为,如偶然性,活力,多样性和覆盖范围。接下来,我们提出了一个干预研究,我们扩展我们的新闻推荐引导我们的读者更动态的阅读行为。我们发现,(i)我们的推荐系统产生更多样化的阅读行为,并产生更高的覆盖率的文章相比,非个性化的编辑排名,(ii)我们可以成功地将动态在我们的推荐系统作为一个重新排名的方法,有效地引导我们的读者更动态的文章,而不损害我们的推荐系统的准确性。
2020-04-21 cs.CL cs.HC cs.IR
PBNR: Prompt-based News Recommender System
本文提出PBNR模型,将新闻推荐转化为文本到文本任务,利用预训练语言模型T5和个性化提示学习,在无需改变架构的情况下实现准确且可交互的个性化推荐。
2023-04-16 cs.IR
Fair Multi-Stakeholder News Recommender System with Hypergraph ranking
imec(校际微电子中心);KU Leuven(荷语鲁汶大学)
推荐系统通常被设计为满足最终用户的需求。然而,在某些领域,用户并不是系统中唯一的利益相关者。例如,在新闻聚合网站中,用户、作者、杂志以及平台本身都是潜在的利益攸关方。大多数协同过滤推荐系统都存在受欢迎度偏差的问题。因此,如果推荐系统只考虑用户的偏好,大概它会过度代表受欢迎的提供商,而不代表不太受欢迎的提供商。为了解决这个问题,我们应该在生成的排名列表中考虑其他利益相关者。在本文中,我们证明了超图学习具有处理多利益相关者推荐任务的自然能力。超图可以对不同类型的对象之间的高阶关系进行建模,因此自然倾向于生成考虑多个利益相关者的推荐列表。我们在时间轮中形成建议,并学习调整利益相关者的权重,以随着时间的推移增加低覆盖利益相关者的覆盖率。实验结果表明,该方法能有效地克服流行度偏差,在较低的准确率下,对两个新闻数据集的作者给出更公平的推荐。
2021-02-09 cs.IR cs.LG
What News Recommendation Research Did (But Mostly Didn't) Teach Us About Building A News Recommender
University of Minnesota(明尼苏达大学);University of Colorado, Boulder(科罗拉多大学博尔德分校);Drexel University(德雷塞尔大学);Clemson University(克莱姆森大学)
本文反思了将现有新闻推荐文献应用于构建实时平台POPROX的经验,指出了文献在支持实际系统构建时的意外挑战与空白,并提出了未来研究的改进方向。
2025-09-15 cs.CY cs.HC cs.IR
Two Birds with One Stone: Unified Model Learning for Both Recall and Ranking in News Recommendation
召回和排序是个性化新闻推荐的两个关键步骤。现有的新闻推荐系统大多采用不同的模型分别进行个性化的新闻召回和排序。然而,维护多个模型导致高计算成本,并提出了很大的挑战,以满足新闻推荐系统的在线延迟要求。为了解决这个问题,本文提出了UniRec,一个统一的方法召回和排名的新闻推荐。在我们的方法中,我们首先使用用户编码器模型从用户的历史新闻点击行为推断用户嵌入排名。然后,我们推导出用户嵌入召回从获得的用户嵌入排名使用它作为注意力查询选择一组基本用户嵌入编码不同的一般用户的兴趣和合成到一个用户嵌入召回。在基准数据集上的大量实验表明,该方法可以提高新闻推荐的召回率和排名效率。
2022-03-23 cs.IR
ZoRRO: A Zero-Weight Personalized Recommender System for Scalable News Recommendation
Technical University of Denmark(丹麦技术大学);ZOZO Research(ZOZO研究公司);University of California San Diego(加州大学圣地亚哥分校);Pioneer Centre for Artificial Intelligence(先锋人工智能中心)
研究针对可扩展新闻推荐提出零权重、无需训练的ZoRRO框架,在离线评估中优于神经基线,在线测试中点击率性能与先进模型相近且速度快600多倍,并揭示相关性能差距,凸显该框架对大规模新闻推荐的实用性及多指标评估的重要性。
2026-07-14 cs.IR cs.LG
Personalized News Recommendation: Methods and Challenges
个性化新闻推荐是帮助用户找到感兴趣的新闻信息、缓解信息过载的重要技术。它已经被广泛研究了几十年,并在改善用户的新闻阅读体验方面取得了显着的成功。但仍有许多未解决的问题和挑战需要进一步研究。为了帮助研究人员掌握个性化新闻推荐在过去几年中的进展,在本文中,我们提出了一个全面的概述个性化新闻推荐。不同于传统的新闻推荐方法分类,本文从个性化新闻推荐的核心问题、相关技术和挑战出发,提出了一种新的视角来理解个性化新闻推荐。我们首先回顾了个性化新闻推荐系统中解决每个核心问题的技术以及它们所面临的挑战。接下来,我们介绍了公共数据集和个性化新闻推荐的评估方法。然后,我们讨论了提高个性化新闻推荐系统的责任的关键点。最后,提出了几个值得进一步研究的方向。本文的研究为读者了解个性化新闻推荐领域提供了最新的、全面的观点。希望本文能对个性化新闻推荐以及自然语言处理和数据采掘等相关领域的研究起到一定的推动作用。
2022-02-24 cs.IR
Aspect-driven User Preference and News Representation Learning for News Recommendation
新闻推荐系统对于帮助用户从大量的新闻中高效地发现感兴趣的新闻是必不可少的。现有的新闻推荐系统大多学习用户和新闻的主题级表示进行推荐,而忽略了学习用户和新闻的方面级特征进行更准确的推荐。因此,它们实现了有限的推荐性能。针对这一不足,我们提出了一种新的基于方面级用户偏好和新闻表示学习的新闻推荐系统(ANRS)。在这里,新闻体是由一组相关词表达的细粒度语义信息,表示新闻所描述的特定方面。在ANRS中,设计新闻方面级编码器和用户方面级编码器,分别学习用户偏好和新闻特征的细粒度方面级表示,并将其输入点击预测器,判断用户点击候选新闻的概率。在常用的真实世界数据集MIND上进行了大量的实验,与代表性的和最先进的方法相比,证明了我们的方法的优越性。
2022-01-28 cs.AI cs.IR
NeMig -- A Bilingual News Collection and Knowledge Graph about Migration
NeMig是一个关于移民主题的双语新闻集,包含丰富用户数据,用于分析推荐偏差和过滤气泡,并通过知识图谱和实验验证其效用。
2023-09-01 cs.IR
Recommender System for News Articles using Supervised Learning
Vodafone Portugal(沃达丰葡萄牙公司);Universitat Pompeu Fabra(庞培法布拉大学)
在过去的十年中,我们观察到信息的大量增加,特别是通过智能手机共享的信息。因此,可用的信息量不允许普通用户知道他的所有选项。在这种情况下,推荐系统使用许多技术来帮助用户找到所需的产品。因此,如今推荐系统发挥着重要作用。推荐系统的目标是确定最适合用户偏好的产品。这些技术对用户和供应商都是有利的,因为它使用户能够快速找到他需要的东西,并使供应商能够促进他们的产品和销售。随着业界开始意识到使用这些算法可以实现的收益,对于许多研究人员来说也是一个非常有趣的问题,推荐系统自90年代中期以来成为一个非常活跃的领域。考虑到这是一个持续的问题,本论文打算观察使用推荐算法的价值,发现用户喜欢通过观察她的域偏好。在一个平衡的概率方法中,本文将展示如何利用新闻主题来推荐新闻文章。在这篇论文中,我们使用不同的机器学习方法来确定用户对一篇文章的评分。为了解决这个问题,监督学习方法,如线性回归,朴素贝叶斯和逻辑回归。所有上述模型都具有不同的性质,这对给定问题的解决方案产生了影响。此外,一些实验,并讨论,以确定最适合的问题的功能集。
2017-07-03 cs.IR cs.LG
Helping News Editors Write Better Headlines: A Recommender to Improve the Keyword Contents & Shareability of News Headlines
Insight Centre for Data Analytics(Insight数据分析中心);School of Computer Science(计算机学院);University College Dublin(都柏林大学学院)
我们提出了一个软件工具,采用最先进的自然语言处理(NLP)和机器学习技术,以帮助报纸编辑撰写有效的标题在线出版。该系统识别新闻文章中最突出的关键字,并根据其整体受欢迎程度和与文章的直接相关性对其进行排名。该系统还使用监督回归模型来识别可能在社交媒体上广泛分享的标题。设计用户界面的目的是简化和加快编辑对标题组成的决定过程。因此,该工具提供了一种有效的方法,将参与度和搜索引擎优化(SEO)的自动预测器的好处与对整体标题质量的人工判断相结合。
2017-05-26 cs.CL cs.HC cs.IR
On the Importance of News Content Representation in Hybrid Neural Session-based Recommender Systems
CI&T;Brazilian Aeronautics Institute of Technology(巴西航空技术学院);University of Klagenfurt(克拉根福大学);Instituto Tecnológico de Aeronáutica(航空技术学院)
新闻推荐系统被设计为通过个性化他们的用户体验来为在线读者呈现相关信息。在这种情况下,一个特别的问题是在线读者通常是匿名的,这意味着这种个性化只能基于与用户的最后几次记录的交互,一种名为基于会话的推荐的设置。新闻领域的另一个特殊性是,不断发布新的文章,应该立即考虑推荐。为了解决这个项目的冷启动问题,在推荐时考虑项目的实际内容是很重要的。因此,混合办法往往被认为是这种情况下的首选方法。在这项工作中,我们分析了在混合神经新闻推荐系统中考虑内容信息的重要性。我们对比了内容感知和内容不可知的技术,并探讨了使用不同内容编码的影响。在两个公共数据集上的实验证实了采用混合方法的重要性。此外,我们表明,内容编码的选择可以产生的性能的影响。
2019-09-06 cs.IR cs.LG
MIND Your Language: A Multilingual Dataset for Cross-lingual News Recommendation
针对现有新闻推荐缺乏多语言基准的问题,本文提出基于机器翻译的开放多语言数据集 xMIND,覆盖14种语言,并在零样本和少样本跨语言迁移场景下对多种神经新闻推荐器进行了基准测试,发现现有模型在跨语言迁移中存在显著性能损失。
2024-03-26 cs.IR
Evaluating Ensemble Methods for News Recommender Systems
University of Leeds, School of Computing(利兹大学计算机学院)
针对新闻推荐系统多算法融合协同性研究空白,本文提出用集成方法组合多样前沿算法,在MIND数据集上验证了基学习器足够多样时性能可提升最高5%,并指出方法差异不足时无提升,为NRS集成方案优化提供参考。
2024-06-23 cs.AI cs.IR
Cognitive Biases in Large Language Models for News Recommendation
University of Amsterdam(阿姆斯特丹大学);Shandong University(山东大学);Leiden University(莱顿大学);Peoples' Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(RUDN大学));Joint Institute for Nuclear Research(联合核子研究所);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Skövde(舍夫德大学)
该研究聚焦大语言模型应用于新闻推荐系统时认知偏差带来的风险,探究多种认知偏差的潜在影响,并从数据、提示、算法层面讨论缓解策略,为提升系统可靠性提供方向。
2024-10-03 cs.AI cs.CL cs.IR
Train Once, Use Flexibly: A Modular Framework for Multi-Aspect Neural News Recommendation
本文提出模块化框架MANNeR,通过学习方面专业化的新闻编码器并线性组合相似度分数,实现推理时多方面推荐的即时定制,免于重训练,且在多项任务上优于现有方法。
2024-09-20 cs.IR
Adaptive model for recommendation of news
大多数新闻推荐系统试图识别用户的兴趣和新闻的属性,并使用它们来获得推荐。在这里,我们提出了一个自适应模型,它结合了用户的评级模式的相似性,在一个不断发展的网络上的新闻传播。我们研究了基于计算机代理的模拟模型,测量其性能,并讨论其对偏见和恶意行为的鲁棒性。根据推荐的新闻的批准分数,所提出的模型优于广泛采用的新闻推荐,根据其绝对或相对受欢迎程度。该模型为推荐系统提供了一种通用的社会机制,并可能在其他类型的推荐中找到其应用。
2009-10-23 cs.DL cs.IR physics.soc-ph
CHAMELEON: A Deep Learning Meta-Architecture for News Recommender Systems [Phd. Thesis]
ITA(巴西航空理工学院);UFCG(巴西坎皮纳格兰德联邦大学);UFMG(巴西米纳斯吉拉斯联邦大学)
推荐系统(RS)已经成为一个热门的研究课题,自2016年以来,深度学习方法和技术在这一领域得到了越来越多的探索。新闻RS旨在个性化用户体验,并帮助他们从一个庞大而动态的搜索空间中发现相关文章。这项研究的主要贡献被命名为CHAMELEON,这是一个深度学习元架构,旨在解决新闻推荐的特定挑战。它由一个模块化的参考架构组成,可以使用不同的神经构建块进行实例化。由于在新闻领域中关于用户过去交互的信息是稀缺的,因此可以利用用户上下文来处理用户冷启动问题。文章的内容对于解决项目冷启动问题也很重要。此外,在新闻领域中,项目(文章)相关性的时间衰减非常加速。此外,外部中断事件可能暂时吸引全球读者的注意力,这种现象通常被称为机器学习中的概念漂移。所有这些特点都明确建模本研究的上下文混合会话为基础的推荐方法,使用递归神经网络。本研究所解决的任务是基于会话的新闻推荐,即,仅使用当前用户会话中可用的信息进行下一次点击预测。提出了一种方法,为现实的时间离线评估这样的任务,重播流的用户点击和新鲜的文章被连续发布在新闻门户网站。两个大的数据集进行的实验表明,在许多质量因素,如准确性,项目覆盖率,新颖性,减少项目冷启动问题,与其他传统的和国家的最先进的会话为基础的推荐算法相比,CHAMELEON新闻推荐的有效性。
2019-12-29 cs.IR cs.LG stat.ML
Simulating News Recommendation Ecosystem for Fun and Profit
Fudan University(复旦大学);Microsoft Research Asia(微软亚洲研究院)
针对新闻推荐系统对社区演变影响的研究局限,提出基于智能体建模的仿真平台 SimuLine,通过构建潜在空间模拟新闻推荐生态系统的演变过程,并分析生命周期各阶段特征及设计策略的影响,为推荐系统设计提供新见解。
2023-05-23 cs.AI cs.HC cs.IR
Do you MIND? Reflections on the MIND dataset for research on diversity in news recommendations
该研究分析了MIND数据集在多样化新闻推荐研究中的适用性,考察推荐流程步骤对文章类别分布的影响及数据对复杂多样性分析的支撑性,指出该数据集虽有进步但仍有改进空间。
2023-05-03 cs.IR
Leveraging Media Frames to Improve Normative Diversity in News Recommendations
针对现有新闻推荐视角多样性不足的问题,提出将媒体框架作为可控维度的推荐多样化方法,首次用三类规范性指标评估,实现未接触框架曝光度最高提升50%,同时提升类别与情感层面的多样性。
2025-09-02 cs.IR
Personalized News Recommendation with Context Trees
Ecole Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
大量的在线新闻文章使得很难找到有趣的文章,这个问题可以通过使用推荐系统来缓解,从而将最相关的新闻故事带给读者。然而,新闻推荐具有挑战性,因为最相关的文章通常是很少用户看到的新内容。此外,它们会随着时间的推移而受到趋势和偏好变化的影响,在许多情况下,我们没有足够的信息来分析读者。本文介绍了一类基于上下文树的新闻推荐系统。他们可以提供高质量的新闻推荐给匿名访问者的基础上,目前的浏览行为。我们表明,上下文树推荐系统提供了良好的预测精度和推荐新颖性,他们是足够灵活的捕捉新闻文章的独特属性。
2014-11-03 cs.IR cs.LG stat.ML
News Without Borders: Domain Adaptation of Multilingual Sentence Embeddings for Cross-lingual News Recommendation
University of Mannheim(曼海姆大学);Center For Artificial Intelligence and Data Science, University of Würzburg(人工智能与数据科学中心,乌尔姆大学)
针对跨语言新闻推荐中零样本迁移性能差及微调成本高的问题,提出新闻适配句子编码器NaSE,利用多语言新闻语料库,在冷启动和少样本场景下达到最先进性能。
2025-01-17 cs.AI cs.CL cs.IR
Contextual Hybrid Session-based News Recommendation with Recurrent Neural Networks
National Institute of Standards and Technology(美国国家标准与技术研究院);Colorado State University(科罗拉多州立大学);University of Klagenfurt(克拉根福大学)
推荐系统通过向用户提供定制的项目建议来帮助用户处理信息过载。新闻的推荐通常被认为是具有挑战性的,因为文章对于用户的相关性可以取决于各种因素,包括用户的短期阅读兴趣、读者的上下文、或者文章的新近度或流行度。以前的工作表明,循环神经网络的使用是有前途的下一个会话预测任务,但有一定的局限性时,只有记录的项目点击序列作为输入。在这项工作中,我们提出了一个上下文混合,基于深度学习的方法,基于会话的新闻推荐,能够利用各种信息类型。我们在两个公共数据集上评估了我们的方法,使用一个时间评估协议,以现实的方式模拟新闻门户网站的动态。我们的研究结果证实了考虑其他类型的信息,包括文章的流行度和新近度,在所提出的方式,导致显着更高的推荐准确性和目录覆盖率比其他基于会话的算法的好处。额外的实验表明,我们的方法中使用的拟议参数化损失函数也允许我们平衡两个通常相互冲突的质量因素,准确性和新颖性。保留字:人工神经网络,上下文感知推荐系统,混合推荐系统,新闻推荐系统,会话推荐
2019-12-08 cs.IR cs.LG stat.ML
Modeling Behavioral Patterns in News Recommendations Using Fuzzy Neural Networks
Institute of Human-Centred Computing, Graz University of Technology, Austria(以人为中心计算研究所,格拉茨技术大学,奥地利)
本文提出利用模糊神经网络建模新闻推荐中的行为模式,通过学习可读规则提升推荐透明度和可解释性。
2026-01-07 cs.IR cs.LG
Using user's local context to support local news
在过去的15年里,由于在线新闻来源的激增,美国地方报纸经历了读者保留率和业务的大量流失。为了缓解这一问题,当地媒体公司正开始从广告支持的商业模式转向基于订阅的商业模式。在这种订阅模式下,需要提高用户参与度和个性化,推荐系统是这些新闻公司实现这一目标的一种方式。然而,使用标准的建模方法,专注于用户的全局偏好是不合适的,在这种情况下,因为用户的本地偏好表现出一些特定的特性,不一定匹配他们的长期或全局的偏好在新闻。我们的研究探索了一个本地化的会话为基础的推荐方法,使用本地新闻文章和有关不同的本地新闻类别的文章的基础上的建议。在来自本地报纸的新闻数据集上进行的实验表明,这些本地模型,特别是某些类别的项目,确实为个性化提供了更高的准确性和有效性,这反过来可能会导致更多的用户参与本地新闻内容。
2022-05-26 cs.IR
RADio -- Rank-Aware Divergence Metrics to Measure Normative Diversity in News Recommendations
University of Amsterdam(阿姆斯特丹大学);RTL Nederland B.V.(RTL荷兰有限公司)
在传统的推荐系统文献中,多样性通常被视为相似性的对立面,通常被定义为所识别的主题、类别或词模型之间的距离。然而,这并不能表达社会科学对多样性的解释,多样性解释了新闻机构的规范和价值观,我们在这里称之为规范多样性。我们介绍RADio,一个多功能的指标框架,以评估建议,根据这些规范的目标。RADio引入了秩感知的Jensen Shannon(JS)发散。这种组合说明了(i)用户观察列表中更下方的项目的倾向降低,以及(ii)与点估计相反的完全分布偏移。我们评估RADio的能力,以反映五个规范的概念,在微软新闻数据集和六个(神经)推荐算法的新闻推荐,我们的元数据丰富管道的帮助下。我们发现,RADio提供了有见地的估计,可以潜在地用于通知新闻推荐系统的设计。
2022-10-13 cs.IR cs.LG
PerCoNet: News Recommendation with Explicit Persona and Contrastive Learning
本文提出PerCoNet新闻推荐方法,通过基于显著实体的显式用户画像和标题-摘要跨视图对比学习,在两个真实数据集上取得优于现有技术的推荐性能。
2023-04-17 cs.IR
Scientific and Technological News Recommendation Based on Knowledge Graph with User Perception
现有的研究通常利用边信息,如社会网络或项目属性,以提高协同过滤推荐系统的性能。本文利用具有用户感知的知识图谱来获取边信息的来源。针对现有基于嵌入和基于路径的知识图谱感知推荐方法的局限性,提出了KGUPN,该框架将知识图谱和用户感知集成到科技新闻推荐系统中。KGUPN包含三个主要层,即传播表示层、上下文信息层和协作关系层。传播表示层通过递归地传播来自知识图谱中的邻居(可以是用户、新闻或关系)的嵌入来改进实体的表示。上下文信息层通过对出现在新闻中的实体的行为信息进行编码来改进实体的表示。协同关系层补充了新闻知识图谱中实体之间的关系。在真实数据集上的实验结果表明,KGUPN在科技新闻推荐方面明显优于最先进的基线。
2022-10-07 cs.IR
Do We Care About Personalization and Explainability? An Interview Study with News Recommendation Engineers
University of Amsterdam(阿姆斯特丹大学);Jheronimus Academy of Data Science(耶罗尼穆斯数据科学学院);Birla Institute of Technology & Science, Pilani(比拉理工学院皮拉尼校区);Eindhoven University of Technology(埃因霍温理工大学)
本研究通过访谈九家新闻机构的工程师,发现个性化因用户追踪、编辑控制等顾虑而受限,可解释性常被忽视,并提供了在新闻推荐流程中采纳可解释性的实用指南。
2026-09-21 cs.HC cs.IR
Uni-FedRec: A Unified Privacy-Preserving News Recommendation Framework for Model Training and Online Serving
新闻推荐是个性化在线新闻服务的重要组成部分。现有的大多数新闻推荐方法依赖于集中存储的用户行为数据来离线训练模型并提供在线推荐服务。然而,用户数据通常是高度隐私敏感的,并且集中存储它们可能会引起隐私问题和风险。在本文中,我们提出了一个统一的新闻推荐框架,它可以利用用户数据本地存储在用户客户端的训练模型,并在隐私保护的方式为用户提供服务。在现实世界的推荐系统中广泛使用的范例,我们的框架包含两个阶段。第一个用于候选新闻生成(即,召回)而第二个用于候选新闻排名(即,排名)。在召回阶段,每个客户端从点击的新闻中本地学习多个兴趣表示,以全面建模用户兴趣。这些表示被上传到服务器以从大的新闻池中召回候选新闻,这些候选新闻在排名阶段被进一步分发到用户客户端以用于个性化新闻显示。此外,我们提出了一个兴趣分解-聚合方法与扰动噪声,以更好地保护私人用户信息编码在用户的兴趣表示。此外,我们协同训练召回和排名模型的数据分散在大量的用户客户端的隐私保护的方式。在两个真实新闻数据集上的实验表明,该方法在性能上优于基线方法,并有效地保护了用户隐私。
2021-09-11 cs.IR
D-HAN: Dynamic News Recommendation with Hierarchical Attention Network
Beihang University(北京航空航天大学)
本文提出动态新闻推荐模型D-HAN,通过将连续时间信息融入层次注意力网络并引入动态负采样,在三个真实数据集上验证了其有效性。
2023-09-19 cs.AI 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
What Drives Readership? An Online Study on User Interface Types and Popularity Bias Mitigation in News Article Recommendations
个性化新闻推荐系统支持读者在在线新闻平台中找到正确和相关的文章。在本文中,我们讨论了引入个性化,基于内容的新闻推荐DiePresse,一个流行的奥地利在线新闻平台,专注于两个具体方面:(i)用户界面类型,和(ii)流行偏见缓解。因此,我们从2020年10月开始进行了为期两周的在线研究,分析了推荐对两个用户组的影响,即,匿名和订阅用户以及三种用户界面类型,即,在桌面、移动和平板设备上。关于用户界面类型,我们发现,建议被看到的概率是最高的桌面设备,而与建议进行交互的概率是最高的移动设备。关于流行偏见缓解,我们发现,个性化的,基于内容的新闻推荐可以导致一个更平衡的分布的新闻文章的读者群的流行程度的情况下,匿名用户。除此之外,我们发现重大事件(例如,奥地利的COVID-19封锁公告和维也纳恐怖袭击)影响了匿名和订阅用户对热门文章的一般消费行为。
2022-05-30 cs.IR
RecSys Challenge 2024: Balancing Accuracy and Editorial Values in News Recommendations
JP/Politikens Media Group(JP/Politikens媒体集团);Technical University of Denmark(丹麦技术大学);Copenhagen Business School(哥本哈根商学院);ETH Zürich(苏黎世联邦理工学院);University of Bari Aldo Moro(巴里大学);Politecnico di Bari(巴里理工大学);Indian Institute of Management Visakhapatnam(维萨卡帕特南印度管理学院)
本文介绍RecSys Challenge 2024新闻推荐挑战赛,聚焦平衡推荐准确性与编辑价值,涵盖用户行为建模、新闻时效衰减及规范问题,并公布获胜方案。
2024-09-30 cs.AI cs.IR cs.LG
Generative Recommendation: Towards Next-generation Recommender Paradigm
本文提出生成式推荐范式GeneRec,通过AI生成器结合用户指令实现内容生成、重新利用与创建,突破传统检索式推荐的局限,并探讨其可信度、发展路线及应用可行性。
2024-02-25 cs.IR
How to Diversify any Personalized Recommender?
本文提出一种以用户为中心的预处理策略,通过选择性增删用户交互来引入分布偏移,在保持准确性的同时提升推荐多样性,并促进提供者公平。
2025-02-04 cs.IR
Preference-based learning for news headline recommendation
Université Laval(拉瓦尔大学);Mila – Quebec AI Institute(魁北克AI研究所)
该研究在上下文赌博机框架下利用法语新闻互动数据训练标题推荐智能体,发现噪声上下文场景中无需显式探索即可获得简单高效的推荐策略。
2025-05-31 cs.IR cs.LG
Why Do We Click: Visual Impression-aware News Recommendation
Zhejiang University(浙江大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);National university of Singapore(新加坡国立大学)
由于信息过载,人们对新闻推荐研究的兴趣日益高涨。为了准确地捕捉用户的兴趣,我们提出了多模态的功能,除了在现有的作品中广泛使用的新闻标题,新闻推荐。另外,现有的研究在设计多模态建模模块时很少关注点击决策过程。在这项工作中,灵感的事实,用户使他们的点击决定主要是基于他们在浏览新闻时所感知的视觉印象,我们建议捕捉这样的视觉印象信息与视觉语义建模的新闻推荐。具体而言,我们设计了局部印象建模模块,在理解新闻标题语义的同时,兼顾印象中的分解细节,从而更接近用户阅读新闻的过程。此外,我们从全局的角度来考察印象,并将结构信息,如不同领域的安排和不同单词在印象中的空间位置,纳入多模态建模。为了适应视觉印象感知新闻推荐的研究,我们通过添加快照印象图像来扩展文本主导的新闻推荐数据集MIND,并将其发布以滋养该研究领域。与最先进的新闻推荐器的广泛比较以及深入分析证明了所提出的方法的有效性以及为基于内容的推荐器建模视觉印象的良好能力。
2021-09-26 cs.AI cs.IR cs.MM
EB-NeRD: A Large-Scale Dataset for News Recommendation
JP/Politikens Media Group(JP/Politikens媒体集团);Technical University of Denmark(丹麦技术大学);Copenhagen Business School(哥本哈根商学院);ETH Zürich(苏黎世联邦理工学院);University of Bari Aldo Moro(巴里阿尔多·莫罗大学);Politecnico di Bari(巴里理工大学);Indian Institute of Management Visakhapatnam(维沙卡帕特南印度管理学院)
本文提出大规模新闻推荐数据集EB-NeRD,包含超百万用户、3700万曝光日志及12.5万篇丹麦语新闻,并作为RecSys '24基准用于解决新闻推荐中的技术与规范挑战。
2024-10-04 cs.AI cs.IR cs.LG