УДК 004.021,004.031,004.032,004.62
ОСОБЕННОСТИ АРХИТЕКТУРЫ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМ ДЛЯ НОВОСТНОГО КОНТЕНТА
Аннотация
В работе анализируются методы рекомендательных систем новостного контента для выявления недостатков алгоритмов выработки рекомендаций новостей, а также определения эффективных способов ознакомления пользователя с новым контентом, который может заинтересовать пользователя и побудить к потреблению большего объёма контента. Сравнительный анализ решений производился на основе восьми критериев, которые затрагивают как оценку скорости реакции системы на изменение окружающей среды, так и оценку нагрузки на вычислительные устройства. Результаты были получены путем экспертной оценки различных научных работ, а также анализа функционирования существующих рекомендательных систем.
Ключевые слова: гибридные рекомендательные системы, вебтехнологии, новостной контент.
Актуальность
С бурным развитием Интернета все больше людей получают информацию с различных новостных онлайн-порталов. Просмотр новостного контента онлайн стал популярным способом получения информации по всему миру.
Контент — это информация с любого носителя (бумажного, электронного) или интернет-ресурса, выраженная в различных формах. Контент может быть классифицирован по способу передачи, по сайтам для размещения, по способу касания, по форматам и по источнику контента.
Новостной контент включает в себя текст, фотографии и видео, содержащие актуальную информацию о текущих событиях и явлениях. Кроме того, важной характеристикой этого контента является относительно короткий период актуальности.
При огромном количестве доступных новостных порталов пользователь имеет доступ к большому потоку информации, которая не всегда представляет для него интерес. Обилие информации создает дефицит внимания и постоянную необходимость выбирать, как эффективно распределить внимание пользователей среди чрезмерного количества ежедневной информации. Система рекомендаций была создана для решения различных задач и предоставления пользователям той информации, которая соответствует их интересам, т.е. система помогает при поиске в Интернете более актуальной для пользователя информации.
Рекомендательные системы открыли для пользователя новый способ взаимодействия с веб-сайтами и в последние годы получили широкое распространение в бизнесе.
Новостные рекомендательные системы предоставляют статьи отдельным пользователям на основе их интересов, а не в порядке их появления. Рекомендации новостных сюжетов пользователям на основе их предпочтений уже давно являются излюбленной областью исследований рекомендательных систем. Медиасистемы стремятся удовлетворить запросы своих пользователей, отслеживая историю их чтения и выбирая подходящие новостные статьи-кандидаты на рекомендацию. Новостные системы рекомендаций — это один из подходов, который помогает пользователям находить интересные статьи для просмотра.
При большом количестве новостных статей очень важной проблемой для онлайн-новостных сервисов является то, как помочь пользователям получать интересные новости, которые наилучшим образом соответствуют их предпочтениям, что является проблемой персонализированных рекомендаций по новостям. Изначально собранные данные имеют большое значение, так как от качества полученной информации зависит качество дальнейшей модели.
Целью данной работы является анализ методов систем рекомендаций новостного контента для выявления недостатков алгоритмов генерации новостных рекомендаций, а также выявление эффективных способов ознакомления пользователя с новым контентом, который может заинтересовать пользователя и стимулировать потребление большего количества контента.
Анализ существующих решений
Одной из самых ранних рекомендательных систем является Tapestry, которая фильтрует электронную почту с помощью коллаборативной фильтрации. Было проведено значительное количество исследований, направленных на предоставление персонализированных рекомендаций пользователям в самых разных областях, таких как новости, фильмы, телевидение, книги, продукты, мероприятия, музыка, туризм и т.д. Эти рекомендательные системы, как правило, можно разделить на два типа: контент-фильтрация (CBF) и коллаборативная фильтрация (CF). Контентная фильтрация создает профиль пользователя на основе истории пользователей и сравнивает его с новыми элементами для выработки рекомендаций. Коллаборативная фильтрация генерирует рекомендации на основе анализа историй и оценок пользователей сообщества. Однако основным недостатком обоих методов является проблема холодного запуска, когда они могут быть не в состоянии дать соответствующие рекомендации новым пользователям или оценить новые продукты. Чтобы преодолеть эту проблему, в нескольких исследованиях было предложено объединить несколько методов для формирования гибридной системы рекомендаций. Помимо проблем, связанных с холодным запуском, системы этого типа имеют проблему низкой чувствительности к краткосрочным предпочтениям пользователя. Однако эти системы в основном предназначены для традиционных веб-рекомендаций и не используют контекстную информацию от пользователей [2].
Контекстуальная информация обеспечивает важную основу для понимания информационных потребностей пользователей. С развитием технологий и устройств рекомендательные системы могут включать контекстуальную информацию об окружающих пользователях (например, о действиях пользователя, предпочтениях, поступках, местоположении, погоде, времени, с кем и т.д.), чтобы предоставлять пользователям более актуальные рекомендации.
Существует ряд контекстно-зависимых систем рекомендаций. Они используют контекстуальные атрибуты и комбинируют неявные/явные предпочтения пользователей при составлении рекомендаций. Однако такие подходы увеличивают объем данных, используемых в расчетах.
В дополнение к вышеперечисленным методам существуют рекомендательные системы, основанные на одноранговой архитектуре (P2P), использующие преимущества распределенных систем. Был предложен ряд рекомендательных систем на основе P2P. К ним относятся различные мобильные сервисы, основанные на контекстно-зависимой системе в гибридной сети P2P. Эти сервисы поддерживают связь между клиентами в дополнение к связи между клиентами и серверами для обмена информацией. Мобильный пользователь может подписаться на погодную службу для получения информации о погоде в режиме реального времени или подписаться на близлежащие пользовательские узлы для получения комментариев пользователей.
Подходы, основанные на взаимодействии клиент-сервер, имеют одну точку отказа и ограниченную масштабируемость, в то время как подходы, основанные на P2P, могут перегружать сеть и быть менее эффективными. Однако, несмотря на недостатки, этот тип рекомендательных систем быстро реагирует на новый контент.
Наряду с одноранговой архитектурой существуют системы проактивных рекомендаций. Системы такого типа автоматически профилируют и фильтруют пользователей. Модуль рекомендаций в режиме реального времени должен определять среду, в которой работает пользователь, контекст и самостоятельно прогнозировать потребности пользователя и предоставлять соответствующий контент в нужное время. Этот тип программного обеспечения включает в себя платформу JHPeer, которая предназначена для создания контекстно-зависимых систем рекомендаций.
В настоящее время активно развиваются рекомендательные системы, использующие различные нейросетевые модели. Одним из современных представителей этого направления являются графовые нейронные модели новостных рекомендаций. Примером может служить рекомендательная система GNewsRec с моделированием долгосрочных и краткосрочных интересов [1]. Метод основан на использовании графических сверточных сетей для прогнозирования долгосрочных интересов пользователя. Краткосрочные интересы пользователя также моделируются с использованием недавней истории чтения пользователем с использованием модели LSTM, основанной на внимании.
Сравнительный анализ существующих решений
Сравнительный анализ решений проводился на основе восьми критериев, которые влияют как на оценку скорости реакции системы на изменения окружающей среды, так и на оценку нагрузки на вычислительные устройства. Результат сравнения представлен на рисунке 1.
Результаты были получены путем экспертной оценки различных научных работ, а также анализа функционирования существующих рекомендательных систем. Как видно на рисунке 1, наиболее предпочтительными являются контекстно-зависимые рекомендательные системы. Стоит отметить, что необходимо проверить другие критерии, направленные на оценку качества рекомендаций, что и будет сделано в дальнейшем.
Вывод
Современные рекомендательные системы отличаются высоким качеством рекомендаций, однако повышение качества рекомендаций связано со сложностью алгоритмов рекомендательной системы и объемом обрабатываемой информации. Анализируя эволюцию методов построения рекомендательных систем для новостного контента, можно сделать вывод, что основное направление развития затрагивает алгоритмы обработки данных на стороне сервера, что увеличивает нагрузку на систему по мере усложнения алгоритмов и роста клиентской базы. Эта проблема приводит к снижению отклика на новый контент, что неприемлемо из-за его короткого срока службы в новостях. Кроме того, необходимо прибегать к снижению качества рекомендаций путем искусственного сокращения возможных вариантов рекомендаций, задействованных в обработке данных. Имея это в виду, чтобы повысить оперативность реагирования гибридных рекомендательных систем, мы предлагаем добавить модули для генерации рекомендаций на стороне клиентских компьютеров, что позволяет максимально быстро реагировать на изменения в пользовательском контексте, а также разработать архитектуры, поддерживающие непрерывную связь между клиентами в дополнение к связи между клиентами и серверами для обмена информацией, что позволяет увеличить отклик на свежий новостной контент, который может быть интересен пользователям со схожими предпочтениями. Таким образом, можно добиться формирования рекомендаций, основанных как на долгосрочных, так и на краткосрочных предпочтениях пользователя.
Список литературы
- Hu L., Li C., Shi C. Graph neural news recommendation with longterm and short-term interest modeling. Information Processing and Management, 2020. 57(2).
- Yeung Kam Fung, Yang Yanyan, Ndzi David. A proactive personalised mobile recommendation system using analytic hierarchy process and Bayesian network. Journal of Internet Services and Applications volume 3, 2012. Pp. 195–214.