回避意識を使ったニュース推薦の改善

最近、ジャーナリストの間で、特定の分野でニュース記事を避ける人が増えていることに対する懸念が高まっています。この回避行動は、ユーザーの過去のやり取りに基づいて記事を提案するシステムの登場で、より顕著になっています。私たちの研究は、これらの提案システムがニュース回避を主要な要素として考慮すべきだと示唆しています。ニュース記事は、露出、関連性、回避という3つの主要な要素で説明できると私たちは考えています。これらの要素はすべてつながっています。これらの課題に対処するために、私たちはAWRS（Avoidance-Aware Recommender System）という新しいシステムを開発しました。この新しい方法は、ユーザーがニュースを提案する際に回避行動を考慮に入れています。なぜなら、ユーザーが特定の記事を避ける方法は、彼らの好みを多く示していると考えているからです。3つの異なるニュースデータセットでのテストでは、AWRSが他の既存システムよりも優れていることが示されています。

#レコメンダーシステムの重要性

レコメンダーシステムは、ユーザーの興味に合った選択肢を示すために広く使用されています。ニュースの分野では、これらのシステムは、タイムリーな更新や新鮮なコンテンツ、読者の興味との関連性など、他の分野ではあまり見られない独自の課題に直面しています。ニュースの状況は急速に変化し、人々が情報を消費する方法にも変化をもたらします。

古い方法は、主にユーザーのクリック履歴や基本的なプロファイルを使用していましたが、ユーザーが何を求めているかをより深く理解しようとする高度な技術に取って代わられました。たとえば、NRMSモデルはマルチヘッド自己注意を使用してニュースコンテンツを学習し、言葉の相互作用を見ています。NAMLやLSTURのような他のモデルも、ニュース記事のさまざまな側面を分析することで、ユーザーの好みをより効果的に理解しようとしています。

最近、新しいモデルはパフォーマンスを向上させるための異なる戦略に焦点を当てています。GLORYのようなものは、グローバルな情報とローカルなユーザーの行動を組み合わせてコンテンツをよりパーソナライズします。他にも、LANCERのように、ニュース記事がどれくらいの期間関連性を持つかを考慮するものもあります。また、コールドスタートの問題や人気バイアスに対処する方法もあります。

#ニュース回避の課題

今日のデジタル時代で浮上している重要な行動はニュース回避です。これは、ユーザーが特定のニュースを意図的に無視したり、気づかずに放置したりすることを意味します。人々は従来のニュースよりも代替メディアソースを選ぶことがあり、一時的または選択的な無関心に至ります。この傾向は、個人の興味や特定のトピックに対する懐疑心によって形作られたニュースへの関与を浮き彫りにしています。特に競争の激しいメディア環境では、より多くのユーザーが自分の信念に合ったニュースを求めているため、関連性が重要になります。

パンデミックによって悪化したニュース疲れや主流メディアへの不信感は、レコメンデーションシステムが回避行動を認識し、適応することがどれほど重要かを示しています。

多くの進展があるにもかかわらず、ニュース回避を理解に統合したシステムはほとんどありません。私たちは、専門家と協力して、回避戦略がニュース推薦にどのように影響するかを調査しました。これは、関連性を改善するだけでなく、デジタル時代におけるユーザーのニュースとの相互作用がどのように変化するかを認識するのにも役立ちます。

#私たちの貢献

1. 私たちのモデルの新しい概念を提示し、レコメンデーションシステムにおける回避に注目した最初の例の一つです。
2. 私たちのAWRSフレームワークには、回避の認識が含まれており、時間と関連性の種類を利用して、ユーザーとニュース記事のマッチングを改善します。
3. 3つの異なる実世界のデータセットに対するテストでは、AWRSが多くの指標で一貫して優れたパフォーマンスを示しました。

#レコメンダーシステムの仕組み

パーソナライズされたニュース推薦システムは一般的に、従来の手動機能に依存したシステムを超えて進化したニューラルコンテンツモデルを使用しています。これらの新しいモデルは、クリック履歴をユーザーの好みにマッピングし、よりパーソナライズされた体験を提供するのに役立ちます。

パーソナライズされたシステムは、ユーザーの興味とニュースコンテンツの一致に焦点を当てています。ただし、これにより「フィルターバブル」が生じ、ユーザーは自分の意見に合ったニュースしか見なくなることがあります。これにより、多様な意見への露出が欠如し、既存のバイアスが再生されることになります。

推薦を多様化するために、さまざまな方法が試みられています。例えば、記事の再ランキングを行うことで多様性を高めたり、パーソナリゼーションと他の目標を組み合わせたマルチタスクトレーニングを用いる方法です。

これらのシステムの最近の進展は、追加の要素を考慮することでパーソナライズを向上させることを目指しています。

1. 感情: いくつかのモデルは、異なる感情を持つニュースを提案することを目指しています。
2. 人気: 特定のシステムは、ニュース記事の人気を利用して推薦を強化します。
3. グローバルな表現: 一部の方法は、より広いニュースの関連性を活用してコンテンツを豊かにします。
4. 新しさ: 他の方法は、ニュース記事がどれくらい古いかを考慮して推薦を改善します。

#ニュース回避の役割

ニュースの世界では、ユーザーが記事を避ける方法が重要になっています。特に推薦システムを使用するプラットフォームにとっては。私たちの研究は、回避がニュース記事のクリックにどのように影響するかを調査しています。露出と回避がどのように相互作用するかを理解することで、より洗練された推薦が可能になるという貴重な洞察を提供します。

あまりクリックされない記事は、実際には多くのビューを持っている可能性があり、それは見られたが関与されなかったことを示唆しています。例えば、選挙中の政治に関する記事は人気かもしれませんが、政治ニュースに疲れた多くのユーザーに避けられていることがあります。一方で、他の多くの人が避けている政治的な記事を読んでいる人は、そのトピックに強い関心があることを示しています。

この理解は、推薦システムが回避の文脈を取り入れることを可能にします。ユーザーが避けるパターンを認識することで、システムはユーザーにどのニュースを表示するかをより適切に調整できます。

#主要要素の定義

ニュース記事を明確に説明するために、私たちは3つの主要要素に焦点を当てています：露出、回避、関連性。

• 露出: これは、ユーザーが見る記事に関連し、記事が公開される時期に応じて変化することがあります。
• 回避: これは、ユーザーが特定のニュースコンテンツに関与しないことを反映しています。興味の欠如や不信感などの要因が回避を引き起こすことがあります。
• 関連性: これは、ニュース記事がユーザーの興味にどれだけ一致しているかを示し、記事の公開時間やユーザーの関与履歴など、いくつかの要因によって影響を受けることがあります。

#ユーザーの関与を測定する

ユーザーがニュース記事にどのように関与しているかを理解するために、回避と露出の両方を考慮したメトリック、ユーザー関与を考案しました。これらの要因に基づいて分析を特定の領域に分けることで、ユーザーの相互作用を包括的に評価できます。

このユーザー関与の測定は、多くの人が避ける記事でも、関与を選択するユーザーにとっては依然として関連性があることを捉えています。私たちのアプローチは、回避の認識を推薦モデルに組み込み、全体的な体験を向上させることを目指しています。

#AWRSフレームワーク

ユーザーとニュース記事が与えられた場合、私たちの目標は、その記事に対するユーザーの関心がどれくらいあるかを示すスコアを計算することです。システムは、いくつかの記事を評価し、ユーザーの過去の類似ニュースとの履歴に基づいて最適なマッチを提案します。

#ドキュメントエンコーダー

私たちのニュースエンコーダーは、マルチヘッド注意デザインを使用して記事から詳細な情報を収集します。さまざまなテキスト要素を組み合わせて、ニュースコンテンツを効果的に表現する埋め込みを作成します。

#関連性予測とユーザーエンコーディング

記事がどれくらい関連性があるかを評価するために、公開からどれくらい時間が経ったか、その内容、クリック数など、多くの要因を考慮します。これにより、ユーザーの好みのニュアンスをよりよく理解できます。

ユーザーエンコーダーは、ユーザーが過去にクリックしたものと新たな記事の可能性を結びつけようとし、回避と露出のレベルの両方を考慮しています。この方法は、ユーザーが興味を持つ可能性のある記事の理解を深めます。

#ユーザー関与の埋め込み

私たちのモデルでは、推薦を行うための重要な入力としてユーザー関与を計算します。ユーザーが避ける記事にどのように関与しているかを分析することで、彼らの好みの理解を強化します。

#最終的な関連性スコア

最終的に、関連性スコアは回避の認識とユーザーの興味を組み合わせて、ユーザーに対する提案を洗練させます。この組み合わせにより、私たちのシステムはよりパーソナライズされた正確な推薦を提供できるようになります。

#評価とテスト

AWRSモデルをテストするために、MIND-small、Adressa one-week、Nikkeiの3つのデータセットで評価しました。それぞれのデータセットは異なるユーザーのクリック行動やニュース記事を特徴としており、モデルのパフォーマンスを広範囲に分析することができます。

#比較分析

AWRSをいくつかの有名なモデルと比較して、主要なパフォーマンス指標における位置を評価しました。結果は、AWRSが一般的に優れていることを示しました。特に、回避の考慮を推薦に統合する点での優位性が見られました。

#精度の評価

私たちは、モデルの有効性を評価するためにいくつかの質問を提起しました。これには、AWRSがユーザーのクリックを正確に予測できるかどうか、システムの各コンポーネントが全体のパフォーマンスにどのように寄与しているかが含まれます。

私たちのテストでは、AWRSが平均逆数順位（Mean Reciprocal Rank）や正規化割引累積ゲイン（Normalized Discounted Cumulative Gain）などの指標で他のモデルを一貫して上回り、ユーザーの好みを理解する力を示しています。

#コンポーネントの影響

モデルの異なる部分が成功にどのように寄与しているかを測定するために、個々のコンポーネントを削除してパフォーマンスの変化を評価する実験を行いました。結果は、各部分がモデルの全体的な効果に重要な役割を果たしていることを示しました。

#AWRSの限界

私たちのモデルはニュース推薦の向上に希望を示していますが、課題も抱えています。主な制限の一つは、詳細な回避と露出データを処理するためのメモリ要求が増加することで、システムのパフォーマンスに影響を及ぼす可能性がある点です。

#結論

ニュース回避の認識を統合することで、推薦システムの効果を大幅に向上させることができます。ユーザーが特定の記事に関与したり回避したりする方法を分析することで、ユーザーの好みについて貴重な洞察を得ることができます。この理解は、提案の仕方を洗練させ、より満足のいくユーザー体験を導きます。

回避を認識する新しいアプローチとして、AWRSを開発することで、ニュースとのユーザー相互作用の複雑な性質を認識することを強調しています。私たちの成果は、より効果的な推薦方法の可能性を示し、ニュースの世界におけるユーザー行動の理解に関する将来の研究への道を開きます。

デジタルコンテンツに駆動される世界では、回避を認識し適応することで、ユーザーの関与と満足度のギャップを埋め、最終的にニュース消費体験を改善することができます。