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


翻译:目前,越来越多的新闻读者倾向于在网上阅读新闻,他们可以从多个来源查阅数百万条新闻文章。为了帮助用户找到正确和相关的内容,发展了新闻建议系统(NRS),以减轻信息超载问题,并提出用户可能感兴趣的新闻项目。在本文中,我们强调新闻建议领域面临的主要挑战,并从最新技术中找出可能的解决办法。由于建筑建议系统使用深层次学习模式的迅速增长,我们的讨论分为两部分。在第一部分,我们概要介绍了常规建议解决方案、数据集、评估标准,超出了NRS使用的准确性和建议平台。在第二部分,我们解释了在NRS中应用的深层次基于学习的建议解决方案。与以前的调查不同,我们还研究了新闻建议对用户行为的影响,并试图提出可能的补救措施来减轻这些影响。通过提供最新知识,这项调查可以帮助研究人员和实用专业人员了解新闻建议算法的发展动态。它还说明了潜在的新方向。

0
下载
关闭预览

相关内容

【KDD2020-Tutorial】自动推荐系统,Automated Recommendation System
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
CCF推荐 | 国际会议信息10条
Call4Papers
8+阅读 · 2019年5月27日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
LibRec 精选:基于LSTM的序列推荐实现(PyTorch)
LibRec智能推荐
50+阅读 · 2018年8月27日
LibRec 精选:连通知识图谱与推荐系统
LibRec智能推荐
3+阅读 · 2018年8月9日
LibRec 精选:推荐的可解释性[综述]
LibRec智能推荐
10+阅读 · 2018年5月4日
Arxiv
92+阅读 · 2020年2月28日
VIP会员
相关资讯
Top
微信扫码咨询专知VIP会员