論文の概要: IGNiteR: News Recommendation in Microblogging Applications (Extended
Version)
- arxiv url: http://arxiv.org/abs/2210.01942v1
- Date: Tue, 4 Oct 2022 22:33:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 13:34:19.206224
- Title: IGNiteR: News Recommendation in Microblogging Applications (Extended
Version)
- Title（参考訳）: IGNiteR:マイクロブログアプリケーションにおけるニュースレコメンデーション(拡張版)
- Authors: Yuting Feng, Bogdan Cautis
- Abstract要約: 我々は、インフルエンスグラフニュースレコメンダ(IGNiteR)と呼ばれる、拡散と影響を意識したディープラーニングに基づくアプローチを提案する。
このニュースを表現するために、マルチレベルアテンションベースのエンコーダを使用して、ユーザの異なる関心事を明らかにする。
実世界の2つのデータセットに対して広範な実験を行い、IGNiteRが最先端のディープラーニングベースのニュースレコメンデーション手法より優れていることを示す。
- 参考スコア（独自算出の注目度）: 3.2108350580418166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: News recommendation is one of the most challenging tasks in recommender
systems, mainly due to the ephemeral relevance of news to users. As social
media, and particularly microblogging applications like Twitter or Weibo, gains
popularity as platforms for news dissemination, personalized news
recommendation in this context becomes a significant challenge. We revisit news
recommendation in the microblogging scenario, by taking into consideration
social interactions and observations tracing how the information that is up for
recommendation spreads in an underlying network. We propose a deep-learning
based approach that is diffusion and influence-aware, called Influence-Graph
News Recommender (IGNiteR). It is a content-based deep recommendation model
that jointly exploits all the data facets that may impact adoption decisions,
namely semantics, diffusion-related features pertaining to local and global
influence among users, temporal attractiveness, and timeliness, as well as
dynamic user preferences. To represent the news, a multi-level attention-based
encoder is used to reveal the different interests of users. This news encoder
relies on a CNN for the news content and on an attentive LSTM for the diffusion
traces. For the latter, by exploiting previously observed news diffusions
(cascades) in the microblogging medium, users are mapped to a latent space that
captures potential influence on others or susceptibility of being influenced
for news adoptions. Similarly, a time-sensitive user encoder enables us to
capture the dynamic preferences of users with an attention-based bidirectional
LSTM. We perform extensive experiments on two real-world datasets, showing that
IGNiteR outperforms the state-of-the-art deep-learning based news
recommendation methods.
- Abstract（参考訳）: ニュースレコメンデーション(ニュースレコメンデーション)は、レコメンデーションシステムにおいて最も困難なタスクの1つであり、主にユーザーにニュースが短命に関連しているためである。
ソーシャルメディア、特にTwitterやWeiboのようなマイクロブログアプリケーションがニュース配信プラットフォームとして人気を集めている中、パーソナライズされたニュースレコメンデーションがこの状況で重要な課題となっている。
我々は,マイクロブログシナリオにおけるニュースレコメンデーションを再検討し,基礎となるネットワーク内でレコメンデーションに必要な情報がどのように拡散するかを追跡するソーシャルインタラクションと観察を考察する。
本稿では,インフルエンスグラフニュースレコメンダ(IGNiteR)と呼ばれる,拡散と影響を意識したディープラーニングに基づくアプローチを提案する。
コンテンツベースのディープリコメンデーションモデルであり、導入決定に影響を及ぼす可能性のあるすべてのデータファセット(セマンティクス、ユーザ間の局所的およびグローバル的影響に関連する拡散関連機能、時間的魅力、タイムライン、動的ユーザの好みなど)を共同で活用する。
ニュースを表現するために、マルチレベルアテンションベースのエンコーダを使用して、ユーザの異なる関心事を明らかにする。
このニュースエンコーダは、ニュースコンテンツのCNNと拡散トレースの注意深いLSTMに依存している。
後者は、マイクロブロッギング媒体で以前に観測されたニュース拡散(カスケード)を利用して、利用者を潜伏空間にマッピングし、他者への潜在的な影響や、ニュース導入に影響を及ぼす恐れを捉えている。
同様に、時間に敏感なユーザエンコーダは、注意に基づく双方向LSTMを用いて、ユーザの動的嗜好をキャプチャできる。
実世界の2つのデータセットに対して広範な実験を行い、IGNiteRが最先端のディープラーニングベースのニュースレコメンデーション手法より優れていることを示す。
関連論文リスト
- Cognitive Biases in Large Language Models for News Recommendation [68.90354828533535]
本稿では,認知バイアスが大規模言語モデル(LLM)に基づくニュースレコメンデータシステムに与える影響について検討する。
データ拡張、エンジニアリングと学習アルゴリズムの側面を通じて、これらのバイアスを軽減する戦略について議論する。
論文 参考訳（メタデータ） (2024-10-03T18:42:07Z) - MIDDAG: Where Does Our News Go? Investigating Information Diffusion via
Community-Level Information Pathways [114.42360191723469]
我々は、新型コロナウイルス関連のニュース記事によって引き起こされるソーシャルメディア上の情報伝達経路を可視化する、直感的でインタラクティブなシステムMIDDAGを提案する。
我々は,ユーザ間のコミュニティを構築し,伝播予測機能を開発し,情報の普及方法の追跡と理解を可能にする。
論文 参考訳（メタデータ） (2023-10-04T02:08:11Z) - DOR: A Novel Dual-Observation-Based Approach for News Recommendation
Systems [2.7648976108201815]
本稿では,ニュースレコメンデーションの問題に対処する新しい手法を提案する。
我々のアプローチは二重観測の考え方に基づいている。
ニュースの内容とユーザの視点の両方を考慮することで、よりパーソナライズされた正確なレコメンデーションを提供することができる。
論文 参考訳（メタデータ） (2023-02-02T22:16:53Z) - Two-Stage Neural Contextual Bandits for Personalised News Recommendation [50.3750507789989]
既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。
我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。
我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
論文 参考訳（メタデータ） (2022-06-26T12:07:56Z) - Neural News Recommendation with Event Extraction [0.0]
オンラインニュースレコメンデーションの重要な課題は、ユーザーが興味のある記事を見つけるのを助けることだ。
従来のニュースレコメンデーション手法では、ニュースやユーザ表現をエンコードするには不十分な単一ニュース情報を使用することが多い。
本稿では,これらの欠点を克服するためのイベント抽出に基づくニュースレコメンデーションフレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-09T11:56:38Z) - Aspect-driven User Preference and News Representation Learning for News
Recommendation [9.187076140490902]
ニュースレコメンダシステムは、通常、ユーザーのトピックレベルの表現とレコメンデーションのためのニュースを学習する。
本稿では,アスペクトレベルのユーザ嗜好とニュース表現学習に基づく,アスペクト駆動型ニューズレコメンダシステム(ANRS)を提案する。
論文 参考訳（メタデータ） (2021-10-12T07:38:54Z) - Neural News Recommendation with Collaborative News Encoding and
Structural User Encoding [18.407727437603178]
協調ニュースエンコーディング(CNE)と構造化ユーザエンコーディング(SUE)からなるニュースレコメンデーションフレームワークを提案する。
MINDデータセットの実験結果から,提案モデルの有効性を検証し,ニュースレコメンデーションの性能を向上させる。
論文 参考訳（メタデータ） (2021-09-02T07:16:42Z) - User Preference-aware Fake News Detection [61.86175081368782]
既存の偽ニュース検出アルゴリズムは、詐欺信号のニュースコンテンツをマイニングすることに焦点を当てている。
本稿では,共同コンテンツとグラフモデリングにより,ユーザの好みから様々な信号を同時にキャプチャする新しいフレームワークUPFDを提案する。
論文 参考訳（メタデータ） (2021-04-25T21:19:24Z) - Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。
偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。
本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
論文 参考訳（メタデータ） (2020-10-20T19:37:04Z) - Graph Enhanced Representation Learning for News Recommendation [85.3295446374509]
本稿では,ユーザとニュースの表現学習を強化するニューズレコメンデーション手法を提案する。
本手法では,歴史的ユーザクリック行動から構築した二部グラフのノードとして,ユーザとニュースをみなす。
論文 参考訳（メタデータ） (2020-03-31T15:27:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。