调查新闻推荐

曼西Sood¹,Harmeet考尔²

计算机科学系,Shyama Prasad Mukherji学院大学德里,印度德里
计算机科学系,汉斯Raj学院,大学德里,印度德里

文摘

推荐系统已经进化成为解决信息过载问题普遍与在线用户,寻找相关信息的一个巨大的网上内容的前提。这样的系统被用来为用户提供建议指导他们向项目匹配和选择他们的兴趣领域。新闻的建议是一个特定的研究领域在推荐系统,这些系统用于向用户显示新闻文章匹配他们的阅读兴趣和个人喜好。然而,新闻推荐有别于传统推荐需求,在许多方面的担忧。本文调查许多这样的系统在过去的几年里,并试图提出与新闻推荐相关的特殊挑战传统模式的建议。它还探讨了推荐技术,可用于生成消息对用户的建议。

关键字

新闻推荐,用户配置文件、个性化、偏好,基于内容过滤、协同过滤、新闻类别。

介绍

由于巨大的和网上信息资源的日益增长,万维网正经历一个不断增长的需求的智能系统,可以引导用户找到相关信息。面临的挑战是找到合适的内容,满足当前信息需求或将匹配他们的兴趣和偏好领域。搜索引擎可以帮助解决这个问题在某种程度上,特别是如果用户正在寻找一些特定的数据,可以制定一个正式的查询。然而,在很多情况下,用户甚至不知道要寻找什么。通常都是这样的物品,如新闻、电影等,用户浏览的东西可能匹配他们的兴趣领域。在这种情况下,最好提出建议用户根据他们的兴趣,他们隐式或显式[1]。

推荐系统已经进化成为解决以上问题提出建议给用户的内容适合他们的需求[2]。他们可以被定义为系统产生的建议作为输出或修剪的效果大信息空间,以便用户指向物品最能满足他们的需求和喜好[3]。这样的系统有一个不断增长的需求的环境中,网络信息的数量远非任何个人能力调查[4]。的标准是个性化的,有趣的和首选的分离的推荐系统信息检索系统或搜索引擎[5]。搜索引擎的目的是为了匹配用户查询可用的物品,信息内容等,并返回匹配的匹配度排名的内容。目前推荐系统的一个组成部分等电子商务网站Amazon.com [1,6]。不同的方法已经被提出了设计建议用户,如contentbased、协作、知识等等。然而,所有已知的技术优势和劣势(7、8),和许多研究人员选择结合这些技术以不同的方式导致混合法(9、10)结合两种方法[11]的好处。

典型的地方推荐系统获得了很多重要新闻行业,地方新闻访问模式正在改变,现代化的技术进步和缓解浏览万维网。许多新闻来源和机构引入在线新闻门户网站访问哪些用户可以访问在任何时间,任何地方浏览最新消息更新。这有助于他们保持更新最新进展周围没有任何时间延迟。然而,挑战是相同的,甚至会比其他领域如找到合适的和相关的内容。浏览网上的新闻来源,用户正在寻找有趣,最新消息在大量文章,匹配他们的阅读兴趣和可以让他们忙。吸引大量的用户他们的网站,在线新闻来源越来越多地使用在他们的网站上推荐系统来改善用户体验。推荐系统需要识别个人的偏好和阅读兴趣领域的用户提供个性化的定制更新(12、13)。

二世。挑战与新闻有关的建议

新闻文章建议在很多方面不同于其他知名的目的推荐系统等的书籍、电影、音乐等

1。大量的新闻文章使这个领域不同于其他类型的网上内容。新闻往往是在洪水在很短的时间内,需要更多的计算建议(14、15、16、17、18),

2。受欢迎的新闻文章极大地随时间变化,这新闻有别于其他物品,如书籍、电影等。这种产品的需求快速变化使得传统的推荐方法无效,

3所示。许多新闻文章描述特定事件的发生;包括更新特定的人、地方或物体。用户可能喜欢这样的文章由于一些特殊的喜欢的专题,但推荐系统几乎无法预测这种偏好,

4所示。推荐技术普遍受到冷启动问题,谈到生成建议当没有足够的信息关于产品对用户来说,推荐或建议生成。雷竞技官网很多时候有很多新文章的阅读,为谁评级并不可用。同时,新闻门户网站有时避免在阅读新闻文章之前要求用户登录。因此,大部分的用户似乎冷启动用户[21]20 19日,15日,16日,

5。新闻提供商通常不要求用户创建用户配置文件和用户使用匿名新闻文章。因此,新闻推荐系统没有明确的用户配置文件,

6。新鲜的新闻文章中占有重要标志制作最新消息比相关的一个更重要。打破或时髦的新闻可能会高度重视从用户即使它似乎是完全不相关的用户配置文件[22],

7所示。新闻文章通常是发表在一个非结构化格式[18]。新闻报道的非结构化格式使其更加困难比其他对象与结构化属性分析,

8。新闻通常有短的保质期。例如,一些读者会对天气感兴趣最后两天的更新;几个板球球迷将会关心比赛的得分两天前完成。相比之下,货架产品,如书籍和电影的生命延长几个月甚至几年。

9。相似性新闻文章并不一定反映了他们的关系。例如,两个新闻文章可能分享大部分的单词;还是实际的话题可能是非常不同的[23]。

三世。新闻类别

新闻分类是常见的这些天在新闻网站等几乎所有流行的新闻来源,智能手机新闻应用程序等等。它们分类新文章/新闻头条了预定义的类别,如商业、体育、科技、健康、和政治等等。这有助于用户寻找特定类别的新闻,因为他们可以直接访问相关的文章根据他们的利益。本节描述主题的参考系统(SRS)解释用于新闻分类的标准之一。

国际新闻通讯委员会(IPTC),一个国际组织,主要是集中在开发和出版行业标准消息交换数据,与美国报业协会,共同开发了一种编码系统称为主题参考系统(SRS) [24]。系统设计对新闻材料进行分类识别的一般内容一个消息对象。这是通过使用一个三级层次结构的顶层是主题;第二个层次是主题,第三层次是主题的细节。有17个顶级对象;二级主题列表已经发展为每个这些主题。到目前为止,第三个层次定义主题详细列表只有三个科目(即经济、商业和金融;政治;和运动)。

分配一个惟一的八位数字三级主题层次结构中的每个条目。这个数字是分解如下:

•第一个两个数字表示顶级主题。通过17有效值是01。(前导零是强制性的。)

•未来三位数表示标的物。默认是000,在没有指定主题时使用。其余的值(001 - 999)必须同时使用两位数字。

•最后三位数,当之前有效的主题和主题的数字,显示主题的细节。

因此,所有引用由一个固定的控制八位数的参考号码,例如艺术、文化和娱乐(ACE) 01000000,犯罪,法律和正义党(CLJ) 02000000,灾害和事故(DIS) 03000000,等等。

四、相关工作

许多框架已经开发为新闻推荐过去几年。其中的一些使用基于内容过滤;一些是基于协同过滤或两个推荐技术的结合导致混合方法来生成新闻推荐给用户。研究人员还专注于创建和操纵用户配置文件来捕获用户的阅读兴趣,跟踪他们的动态改变阅读的兴趣。用户的兴趣一般分为短期和长期的利益。短期利益通常与热点新闻事件,突发新闻,最新头条等,经常变化。然而,长期的利益常常反映了实际用户的利益。

结合文本内容分析与机器学习技术可以用来找到相似性信息内容和用户的利益。新闻老兄[25],WebMate[21],[26]和筛选是系统实现这种方法的例子。

消息老兄是一个系统,编译一个个性化的新闻节目。除了代表用户的短期和长期利益,它考虑了用户之前听到的消息,以避免两次相同的信息。它读取新闻用户,支持一系列的反馈选项,如“有趣”,“不感兴趣”,“我已经知道这”,等等。

WebMate是一个工具,编译信息从一个url列表,用户希望监控(如报纸主页)或从搜索结果中使用流行的引擎。被选中的信息根据用户配置文件,代表他们的多重利益使用术语及其权重向量。

筛选是一种信息过滤系统,它还模型用户的兴趣主题使用用户提供的关键字向量自动更新的相关反馈。

标志[27]整合用户的长期和短期的阅读偏好,推荐新闻。长期用户的概要文件是构建基于时间敏感加权方案[28]和短期内通过分析用户的最新阅读历史。他们可以帮助确定新闻为用户推荐。

谭和t[29]提出了一个个性化的新闻系统命名销。销检索和新闻文章排名根据用户的配置文件,这是最初由用户定义为关键字的列表,然后从用户反馈使用神经网络技术。与销交互时,用户提供显式反馈评级的文章。

全度妍Hochul Taehwan金姆和Joongmin崔[30]提出了个性化信息检索模型。提取用户的信息应该找出它们之间的相似性和信息应该向用户推荐类似的用户组。

一个特殊目的新闻浏览器pda(个人数字助理),名叫WebClipping2实现[31]。WebClipping2使用贝叶斯分类器来计算概率,特定的文章将被视为有趣的用户。而不是要求用户提供明确的反馈,WebClipping2观察总阅读时间,读取的行数和其他一些用户行为特征来推断用户的利益。

[32]中所述的系统主要关注用户偏好的变化。在这个系统中,用户的利益是由多层建模与动态多变的结构树,上面层用于模型的用户兴趣固定类别,和底部层动态事件。这个模型可以跟踪用户的阅读行为在两个固定的类别和动态事件,从而获取利益的变化。

另一个个人新闻代理,PVA[33],使用一个代理来收集用户的页面点击和浏览时间,为了构建一个个人观点,反映了用户的利益。应用PVA和评估提供个性化的新闻访问。

Fikadu Gemechu,张宇和刘Ting[34]提出了一个框架,一个用户配置文件模块注册信息检索过程中不可分割的组成部分,传统的检索系统过滤返回的结果根据用户的配置文件来满足用户的特定信息需求。

梁和赖[35]提出了一个基于时间的方法来构建用户配置文件的浏览行为,考虑的时间由用户在阅读文章和最近的用户活动。

李、刘和曹[36]提出一个正式的框架和方法自动学习用户兴趣基于过去点击历史。学习用户兴趣是集成在话题敏感网页排名生成个性化的排名。

诉分析

许多推荐技术已经用于构建个性化的新闻推荐系统,如基于内容的过滤,协同过滤、基于知识的方法或任何两种技术的组合混合方法的建议。已经观察到推荐系统建立在混合方法比基于一个特定的更成功的推荐技术。这个观察来自特定需求和挑战这一事实与新闻有关的建议。简单地识别用户的偏好和选择在任何给定的时间为这些系统是不够的。这些系统应该跟踪的动态用户需求和口味变化很频繁,但同时会回归到原始的偏好有时也可能添加了一些特殊利益集团在用户配置文件。这些改变利益可分为短期和长期的利益,短期利益通常与突发新闻一直在改变,而长期利益反映了用户的实际利益。跟踪用户记住所有这些方面是绝对必要的新闻推荐系统高效、有效地工作。

问和获取隐式或显式的用户反馈可以这样系统的另一个重要因素。虽然不是很多用户喜欢花时间在这个过程中,但反馈是重要的不只是来确定生成的用户满意度水平的建议还跟踪不断变化的用户偏好和利益。

同样,这样的系统应该照顾特点与“新闻”作为一个项目推荐。文章建议不应经常重复,应该首先闪现最新更新;如果可能的话新闻类别偏好应该照顾,提供文章相关用户的阅读兴趣,特别活动和场合应该报道追踪用户的响应等等。所有这些要求使新闻推荐不同于传统的推荐模型,因此需要结合多个相关技术来有效地解决所有的问题。

VI.CONCLUSION

本文调查和审查新闻推荐系统建立在过去的几年中,特定需求,关注与他们有关,和不同的推荐方法用于构建这样的系统。我们试图观察用户问题,行为和期望从这些系统和得出结论,推荐系统能够跟踪不断变化的用户需求,可以识别用户的当前阅读后提出建议利益视为有用的从用户的角度来看。还这样的系统应该跟踪哪些文章推荐给用户,当这条建议不重复频繁和最新更新闪过第一次来吸引用户。

引用

Gediminas Adomavicius和亚历山大Tuzhilin”,对下一代的推荐系统:先进的和可能的扩展”的一项调查,IEEE知识和数据工程,17卷,没有6,页:734 - 749年,2005年6月
安萨里,美国Essegaier r·克里,“网络系统”的建议,营销研究期刊》的研究,363 - 375页,2000年8月
r·伯克·Brusilovsky a Kobsa, w . Nejdl“混合网络推荐系统”,自适应网络,信号4321年,第408 - 377页,2007年
M拉希德,阿尔伯特,d . Cosley s . k . Lam s M . McNee j . A . Konstan和j·雷德尔“了解你:学习新推荐系统用户首选项”,《国际会议上智能用户界面,2002
n .贝尔金和b·克罗夫特,“信息过滤和信息检索”,ACM通讯,35没有12卷,pp 29-37, 1992。
w·w·科恩,r . e . Schapire和y歌手,“学习点东西”,Articia情报研究学报,10卷,243 - 270页,1999年。
j·l·Herlocker j . a . Konstan l . g . Terveen和j·t·雷德尔“评估协同过滤推荐系统”,ACM交易信息系统,22卷,2004年1月1号
b . Mobasher x金,Yanzan周“语义增强网络协同过滤”,第一个欧洲web挖掘论坛,EWMF 2003年Cavtat-Dubrovnik,克罗地亚,2003年9月22日。
p·梅尔维尔,r·j·穆尼和r·纳“Content-Boosted协同过滤改进建议”,十八国家会议上人工智能,埃德蒙顿,加拿大,2002。
t . Tran r·科恩,电子商务的“混合推荐系统”,在以知识为基础的电子市场,论文从AAAI车间,技术报告,WS-00-04, AAAI出版社,2000年
r·库马尔·Raghavan s Rajagopalan, A .服饰品牌“推荐系统:一个概率分析”,计算机和系统科学学报,63卷,没有1,42 - 61页,2001年
g . Paliouras A . Mouzakidis诉工程,c . Skourlas“pn:个性化的新闻聚合器网络”,研究计算智能(SCI), 175 - 197年,2008页
a . s Das m·塔尔a Garg和s·拉贾拉姆,“谷歌新闻个性化:可伸缩的在线协作过滤”,学报第16届国际会议在世界WideWeb, ACM, 271 - 280页,2007年
f . Garcin c Dimitrakakis, b . Faltings与上下文树”“个性化新闻推荐,arXiv重印arXiv, 2013 [15] l . Li D。王,t·李·d·诺克斯,b . Padmanabhan”场景:一个可伸缩的两阶段个性化新闻推荐系统”在SIGIR, 125 - 134页,2011年[16]p . Resnick n .但是,m . Suchak p . Bergstrom和j·雷德尔”Grouplens:协同过滤的开放式体系结构网络新闻”,CSCW、ACM, 175 - 186页,1994年
k·g·Saranya和g . s . Sadhasivam“个性化的在线新闻推荐系统”,国际期刊《计算机应用,页6日至14日,2012年11月
y Lv, T。月亮,p . Kolari z郑X。王,y . Chang新闻推荐亲缘“学习模式”,学报WWW, ACM, 57 - 66页,2011年
h·j·李和s . j .公园,“无核原生物:移动互联网的新闻推荐”,专家系统与应用,143 - 150页,2007年[20]c .林r·谢·l·李,z, t·李,“前提:个性化新闻推荐通过隐式社会专家”,《21 ACM国际会议信息和知识管理,1607 - 1611页,2012年
l . Chen伙夫Sycara“WebMate:个人代理浏览和搜索”,第二次国际会议上自治代理诉讼,明尼阿波利斯市,1998年
命运,命运,和D。Mladeni´c,实时新闻推荐系统,机器学习和数据库知识发现,583 - 586页,2010年
p . j . Liu多兰,e·r·皮德森“个性化新闻推荐基于点击行为”,诉讼的第15届国际会议上智能用户界面,ACM, pp 31-40, 2010
“主题参考系统指南”在http://www.iptc.org在线(截止2014年6月13日)
d . Billsus m . J Pazzani“新闻分类的混合用户模型”,第七届国际会议的程序用户建模、班夫,加拿大,1999
严t·w·h·加西亚莫利纳,“筛选——一个广域信息传播的工具”,USENIX技术研讨会论文集,1995
郑Lei李,李,李道,“标识:多空的用户利益整合个性化的新闻推荐”,在推荐系统中,第五届ACM研讨会论文集317 -320年,2011页
y丁和李x”,体重协同过滤”,学报CIKM, ACM, 485 - 492页,2005年
褐色,a,三通,C。,"Learning User Profiles for Personalized Information Dissemination", Proceedings of 1998 IEEE International Joint conference on Neural Networks, pp. 183- 188, May 1998
崔Hochul全,Taehwan Kim Joongmin“适应性用户个性化信息检索分析”,第三收敛和混合动力信息技术国际会议上,2008年
r . Carreira j . m . Crato d . Gonalves j·a·豪尔赫,“新闻分类评估自适应用户配置文件”,诉讼的第九届国际会议上智能用户界面,2004
z z . j . Wang, j .姚明,太阳,m·李和w·马“适应性用户概要模型和协同过滤的个性化新闻”,《APWeb 2006年,第485 - 474页,2006年
n .好,j·b·谢弗,j . a . Konstan a . Borchers b·萨瓦尔j . Herlocker j . Riedl“协同过滤与个人代理相结合更好的建议”,美国第十六次全国会议上人工智能和人工智能会议第十一届创新应用创新的应用人工智能,1999
Fikadu Gemechu,张宇,刘Ting,“个性化信息检索模型的框架”,学报IEEE事务,2010年[35]t . p .梁和h . j .赖”发现用户的兴趣从网页浏览行为:申请互联网新闻服务”,IEEE计算机协会,美国类似,美国,2002年
李,z . Liu j .赵“网络搜索用户目标的自动识别”,第14届国际会议上万维网学报》,2005年