SentiRec模型复现与情感多样性在新闻推荐中的挑战

本文主要探讨了"基于内容的神经新闻推荐方法中的情感多样性问题及复现SentiRec模型研究"。个性化新闻推荐系统在日常中广泛应用，它们倾向于推荐用户之前消费过的新闻，导致推荐列表中出现情感趋同的现象，形成一个自我强化的情感循环。SentiRec是由Wu等人提出的一种创新模型，旨在解决这一问题，它通过结合新闻内容和情感预测任务，学习到能感知情感的新闻表示，通过惩罚与用户总体情感取向相似的候选新闻，增加推荐的多样性。 作者们在不依赖原始代码和数据样本的情况下，对SentiRec进行了重新实现，并使用了Microsoft MIND数据集（尽管与原始研究的子集不同）。他们在研究中从多个角度评估模型，包括用户交互历史的情感多样性、推荐列表的内列表情感多样性和情感多样性与话题多样性的关系。然而，研究结果揭示了一个关键发现：SentiRec在迁移至其他数据集时性能不如预期，与原始论文的结论相悖。尽管SentiRec最初依赖于基于规则的情感分析器，作者们还尝试了预训练的神经情感分析器，但并未观察到显著的情感多样性和有效性提升。 值得注意的是，作者们的实验设计强调了可重复性，通过公开他们的源代码，以便其他研究人员能够复现和进一步验证研究成果。这个研究不仅深入剖析了情感多样性在新闻推荐中的重要性，也展示了在实际应用中，模型的泛化能力和适应性是一个值得深入探究的问题。通过对比不同类型的分析器，研究者们提供了关于如何改进现有模型以提高推荐系统性能的见解。这项工作对于理解如何在个性化新闻推荐中平衡用户兴趣与情感多样性具有重要意义。