Diversification in news recommender systems

Abstract

Empfehlungssysteme werden in vielen verschiedenen Bereichen, darunter auch auf Nachrichtenwebseiten, verwendet um BenutzerInnen im Finden von relevanten Zeitungsinhalten in einem Meer an Informationen zu unterstützen. In der Vergangenheit wurden Empfehlungssysteme auf ihre Genauigkeit optimiert. Aufgrund von zunehmender Personalisierung besteht die Gefahr von sogenannten Filterblasen, welche ein Fehlen an Diversität in empfohlenen Zeitungsartikeln und somit an Meinungen mit sich bringen. Diese hindern LeserInnen eine Vielseitigkeit an Ansichten und Meinungen zu erfahren.In dieser Arbeit fokussieren wir uns auf drei unterschiedliche Arten von Empfehlungssystemen. Wir untersuchen zwei Aspekte von Diversität, Themen- und Anbietervielfalt in Zeitungsartikeln und wie diese Diversitätsaspekte in Empfehlungssystemen verbessert werden können. Während Themenvielfalt den Inhalt der Zeitungsartikel näher beschreibt, zielt Anbietervielfalt darauf ab, eine homogene Verteilung von Anbietern in den empfohlenen Zeitungsartikeln zu erreichen. Themenvielfalt wird mithilfe von Intra-list similarity, d.h. der Ähnlichkeit von empfohlenen Zeitungsartikeln untereinander, ermittelt. Diese Ähnlichkeit kann mittels Themenhierarchien berechnet werden.Wir beschreiben eine adaptierte Methode der Nachbearbeitung von Listen von empfohlenen Zeitungsartikeln um Themen- und Anbieterdiversität zu erhöhen und die Genauigkeit von Empfehlungssystemen zu erhalten. Wir evaluieren die vorgeschlagene Methode im Zuge von offline Experimenten mit dem plista Datensatz und stellen Vergleiche mit bestehenden Methoden aus der Literatur an. In dieser Arbeit zeigen wir die unterschiedliche Stärke an Einfluss der Nachbearbeitung auf Empfehlungslisten von verschiedenen Empfehlungssystemen. Es kann gezeigt werden, dass Anbieterdiversität erhöht werden kann, während Genauigkeit konstant bleibt. Für Themendiversität zeigen wir ein stärkeres Spannungsfeld zwischen Diversität und Genauigkeit. Ein Anstieg an Diversität führt zu einem stärkeren Verlust an Genauigkeit.

Today, recommender systems are commonly used, among other domains, also in online news for helping users to cope with an overload of information by suggesting potentially relevant items. In the past, these systems were predominantly optimized to maximize accuracy metrics. However, due to increased personalization, 'Filter bubbles' potentially emerge, where a lack in diversity in recommended news articles and thus, in viewpoints exists, which hinders news readers to experience a variety of opinions.This work focuses on three different, commonly used recommender system categories. It examines two aspects of diversity in combination and how to improve these in a recommendation setting: topic and provider diversity. The first aims to describe the variety of content in news items, while the latter emphasizes a uniform distribution of providers in the recommended news. Topic diversity is measured with intra-list similarity metric by taking advantage of topic taxonomies readily available in the news domain.In this work we propose an adapted post-processing method of topic and provider diversification, designed to increase these two diversity aspects and balance them with ranking quality. We evaluate our proposed method in an offline experimental setting on the plista dataset and compare the chosen approach with two reference approaches from literature. We show the varying impact of diversification on the recommendation lists generated by different recommender systems. Also, provider diversity may be improved, while keeping accuracy constant. For topic diversity we observe a stronger trade-off between accuracy and diversity.