An Adaptive Recommender System for News Delivery
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2017-08-22
Department
Major/Subject
Systems and Operations Research
Mcode
SCI3055
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
65 + 6
Series
Abstract
Modern news websites contain plenty of constantly changing content. To better cater for different user types, the content shown needs to be personalised. This thesis presents the development of a recommender system for a large media company. The recommender system generates suggestions for news articles, and the personalised content is to replace the company's news site's current manually composed front page. The main goal is to increase user activity on the news site. One of the challenges in creating a news recommender system is the vast amount of user and article data. Furthermore, the relevance of articles usually changes over time. As a result, there is a need for consideration of the cold-start problem and fast adaptability. Consequently, the chosen approach is memory-based. In this thesis, the preferences of each user are modelled by the users' visit frequency and the sections they read articles from. The recommender system can therefore be classified as content-based, with some context-based additions. As an addition, article importance scores are formed with a novel approach and are used as a basis for calculating scores for articles. They reflect the editorial view of articles and aid in maintaining the general feel of the news site. The resulting recommender system is fast, lightweight, and can provide suggestions even with very little user transaction data. However, the results of the chosen performance metrics are inconclusive: for all tested parameter variants, some of the metrics show an increase in user activity while others show the opposite. The proposed next steps are to either do more online testing with different parameter combinations or to implement new features.Modernit uutissivustot sisältävät runsaasti jatkuvasti muuttuvaa sisältöä. Erilaisten käyttäjien tarpeisiin vastataan paremmin personoimalla näytetty sisältö. Diplomityössä kehitetään suositusjärjestelmä suurelle mediayhtiölle. Suositusjärjestelmä ehdottaa uutisartikkeleita käyttäjille. Nämä ehdotukset tulevat korvaamaan yhtiön uutissivuston nykyisen etusivun. Päätavoiteena on kasvattaa sivuston käyttöä. Yksi uutisten suosittelujärjestelmän luomiseen liittyvistä haasteista on käyttäjä- ja artikkelidatan suuri määrä. Lisäksi artikkelien merkityksellisyys muuttuu yleensä ajan myötä. Tämän takia erityisesti kylmäkäynnistys-ongelmaan sekä nopeaan adaptiivisuuteen on kiinnitettävä huomiota. Järjestelmään on siksi valittu muistipohjainen lähestymistapa. Diplomityössä käyttäjien mieltymyksiä mallinnetaan heidän käyttöuseuden sekä luettujen artikkelien osioiden avulla. Suosittelujärjestelmää voidaan siten kutsua sisältöpohjaiseksi, kontekstipohjaisin lisäyksin. Käyttäjäprofiilin lisäksi suositusten muodostamista varten luodaan uudenlainen artikkelin tärkeys -arvo. Se heijastelee toimituksen näkemyksiä ja auttaa ylläpitämään sivuston tuntuman. Luotu suositusjärjestelmä on nopea, kevyt ja tekee suositteluja jo hyvin pienellä määrällä dataa. Valituilla mittareilla saatujen tulosten perusteella ei kuitenkaan pystytä kiistatta sanomaan, että sivuston käyttö kasvaisi. Kaikilla kokeilluilla parametrivaihtoehdoilla mittareista osan mukaan käyttö kasvaa ja toisten mukaan vähenee. Seuraaviksi kehityskohteiksi ehdotetaan lisää käyttäjätestejä tai uusien ominaisuuksien kehittämistä parempien tulosten tavoittelemiseksi.Description
Supervisor
Salo, AhtiThesis advisor
Kinnunen, TeemuKeywords
recommender system, online news, content-based, context-based, memory-based