Core Concepts
사용자의 선호도와 다양성을 동시에 고려할 수 있는 유연한 뉴스 추천 프레임워크를 제안한다.
Abstract
이 논문은 다중 측면 뉴스 추천을 위한 모듈식 프레임워크 MANNeR를 소개한다. MANNeR는 메트릭 기반 학습을 기반으로 하며, 각 측면에 대한 전문화된 뉴스 인코더를 학습한다. 이를 통해 다양한 측면에 대한 유사도 점수를 유연하게 결합하여 사용자 맞춤형 추천을 제공할 수 있다.
주요 내용은 다음과 같다:
기존 뉴스 추천 모델들은 특정 측면(예: 주제, 감정)에 대한 개인화 또는 다양성 최적화를 위해 모델 구조와 학습 목표를 하드코딩하여, 추천 목표 변경 시 모델 재학습이 필요했다.
MANNeR는 각 측면에 대한 전문화된 뉴스 인코더를 학습하고, 이를 유연하게 결합하여 다양한 추천 목표를 달성할 수 있다.
실험 결과, MANNeR는 기존 모델 대비 콘텐츠 기반 개인화, 단일 측면 다양성/개인화, 다중 측면 다양성/개인화 등 다양한 추천 과제에서 우수한 성능을 보였다.
또한 MANNeR는 언어 및 도메인 전이에 강건한 것으로 나타났다.
Stats
뉴스 콘텐츠와 사용자 클릭 기록은 개인화를 위한 핵심 정보이다.
뉴스 주제, 감정 등 다른 측면 정보도 사용자의 뉴스 소비 결정에 기여한다.
Quotes
"기존 뉴스 추천 모델들은 특정 측면(예: 주제, 감정)에 대한 개인화 또는 다양성 최적화를 위해 모델 구조와 학습 목표를 하드코딩하여, 추천 목표 변경 시 모델 재학습이 필요했다."
"MANNeR는 각 측면에 대한 전문화된 뉴스 인코더를 학습하고, 이를 유연하게 결합하여 다양한 추천 목표를 달성할 수 있다."