論文の概要: Is This News Still Interesting to You?: Lifetime-aware Interest Matching for News Recommendation
- arxiv url: http://arxiv.org/abs/2508.13064v1
- Date: Mon, 18 Aug 2025 16:36:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:11.485584
- Title: Is This News Still Interesting to You?: Lifetime-aware Interest Matching for News Recommendation
- Title（参考訳）: このニュースは、まだあなたにとって面白いのか?:ニュースレコメンデーションのための生涯的関心マッチング
- Authors: Seongeun Ryu, Yunyong Ko, Sang-Wook Kim,
- Abstract要約: LIMEという,nEwsレコメンデーションのための新しいライフタイム対応関心マッチングフレームワークを提案する。
LIME は,(1) ユーザトピック対に対するニュースの相対年齢をとらえるユーザ・トピック・ライフタイムの表現,(2) 時間的に整合したユーザ表現を生成する候補・ライフアテンションの注意,(3) 有効候補ニュースを予測時に優先する鮮度誘導関心改善の3つの主要な戦略を取り入れている。
- 参考スコア（独自算出の注目度）: 17.100667350463464
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Personalized news recommendation aims to deliver news articles aligned with users' interests, serving as a key solution to alleviate the problem of information overload on online news platforms. While prior work has improved interest matching through refined representations of news and users, the following time-related challenges remain underexplored: (C1) leveraging the age of clicked news to infer users' interest persistence, and (C2) modeling the varying lifetime of news across topics and users. To jointly address these challenges, we propose a novel Lifetime-aware Interest Matching framework for nEws recommendation, named LIME, which incorporates three key strategies: (1) User-Topic lifetime-aware age representation to capture the relative age of news with respect to a user-topic pair, (2) Candidate-aware lifetime attention for generating temporally aligned user representation, and (3) Freshness-guided interest refinement for prioritizing valid candidate news at prediction time. Extensive experiments on two real-world datasets demonstrate that LIME consistently outperforms a wide range of state-of-the-art news recommendation methods, and its model agnostic strategies significantly improve recommendation accuracy.
- Abstract（参考訳）: パーソナライズされたニュースレコメンデーションは、ユーザーの興味に合わせたニュース記事を提供することを目的としており、オンラインニュースプラットフォームにおける情報過負荷の問題を緩和するための重要な解決策となっている。
従来の作業では、ニュースとユーザの表現を洗練して、関心マッチングを改善してきたが、(C1)クリックしたニュースの年齢を利用してユーザーの興味の持続性を推測すること、(C2)トピックやユーザ間でのニュースの寿命の変動をモデル化すること、といった時間的課題はまだ未解決のままである。
これらの課題に共同で対処するために,(1)ユーザとトピックのペアに関するニュースの相対年齢を捉えるユーザとトピックのライフアウェアの年齢表現,(2)時間的に整合したユーザ表現を生成する候補のライフアウェアのライフアタッチメント,(3)予測時に有効なニュースを優先順位付けするためのフレッシュネス誘導の関心改善,という3つの重要な戦略を取り入れた,nEwsレコメンデーションのための新しいライフタイムアウェアの関心マッチングフレームワークであるLIMEを提案する。
2つの実世界のデータセットに対する大規模な実験により、LIMEは一貫して最先端のニュースレコメンデーション手法よりも優れており、そのモデルに依存しない戦略はレコメンデーションの精度を大幅に向上させることが示された。
関連論文リスト
- GLoCIM: Global-view Long Chain Interest Modeling for news recommendation [59.3925442282951]
候補者のニュース記事をユーザーに正確に推薦することは、常にニュースレコメンデーションシステムの中核的な課題である。
近年の取り組みは、全ユーザのクリックニュースシーケンスによって構築されたグローバルなクリックグラフにおいて、局所的なサブグラフ情報を抽出することに集中している。
本稿では,Global-view Long Chain Interests Modeling for News recommendation (GLoCIM)を提案する。
論文 参考訳（メタデータ） (2024-08-01T18:17:25Z) - CROWN: A Novel Approach to Comprehending Users' Preferences for Accurate Personalized News Recommendation [17.100667350463464]
カテゴリー誘導意図のゆがみを利用した新しいパーソナライズされたニュースレコメンデーションフレームワーク(CROWN)を提案する。
CROWNは10の最先端のニュースレコメンデーションメソッドに対して一貫したパフォーマンス改善を提供する。
論文 参考訳（メタデータ） (2023-10-13T20:53:50Z) - Designing and Evaluating Interfaces that Highlight News Coverage
Diversity Using Discord Questions [84.55145223950427]
本稿は,ニュース記事のための大規模なソースコレクションをナビゲートすることは,それ以上のガイダンスなしでは困難であることを示す。
本稿では,ニュース読者が読みながら範囲の多様性を発見することを目的とした,注釈記事,要約記事,質問表の3つのインタフェースを設計する。
論文 参考訳（メタデータ） (2023-02-17T16:59:31Z) - 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) - Quality-aware News Recommendation [92.67156911466397]
既存のニュースレコメンデーションメソッドは主に、推奨するニュースの品質を無視しながら、ニュースクリックを最適化することを目的としています。
本稿では,推奨ニュースの品質を効果的に向上する品質対応ニュースレコメンデーション手法であるQualityRecを提案する。
論文 参考訳（メタデータ） (2022-02-28T08:25:58Z) - 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。