Survey on News Recommender Systems and Context-aware Long-/short-term User Interest Modeling

Abstract

How can we recommend news items to countless number of users with unique interest and preference? Harnessing various data that an individual user remains after consuming online articles, news recommender systems aim to predict unobserved his/her behavior on new articles. Since building the overall profile of an user inevitably accompanies processing information from multiple domains, digging into latent representation building in recommendation task is of value. Nevertheless, since interest may change over time and the input data is too sparse, modeling user representation is complicated. We executed a brief survey for existing news recommender system approaches. The main contribution of the paper is as follows: First, we categorize past researches which particularly deal with systems recommending news articles by several standards tailor-made for the virtues of the item. Second, we look over recommender systems on news items for around thirty years in a comprehensive way. We find the problem they define and technique they use as time goes by

각각의 고유한 취향과 흥미를 가지고 있는 셀 수 없이 많은 수의 사용자들에게 그들이 원하는 뉴스 기사를 어떻게 효과적으로 추천해줄 수 있을까? 뉴스 추천 시스템은 사용자 개개인이 온라인 뉴스 기사를 열람하면서 남기는 다양한 정보들을 통하여 관찰되지 않은 사용자의 행동 정보를 예측하는 것을 목표로 한다. 사용자에 대한 총체적인 프로필을 생성하려면 필연적으로 서로 다른 여러 도메인의 데이터들을 파고들어야 하므로, 추천이라는 태스크에 있어 잠재 표현을 학습하는 일은 그 가치를 지닌다. 그럼에도 불구하고, 사용자의 흥미는 시간에 따라 변모할 가능성이 있고 입력값 데이터는 산발적으로 분포되어있기 때문에 사용자 모델링은 복잡성을 특징으로 가진다. 이 문제에 대하여, 본 논문에서는 세 가지 분류 기준을 통하여 기존의 뉴스 추 천 모델들을 심층분석한다. 본 논문의 주요한 의의는 다음과 같다. 첫째, 현존하는 뉴스 추천 모델들을 뉴스 아이템의 특성을 고려하여 고안한 세 가지 기준으로 분류한다. 둘째, 30년간의 뉴스 추천 논문을 총망라하여 그 추이와 시대 별 해결하고자 한 문제가 무엇인지 살펴본다.