MMSep, 2023

利用新闻故事链聚类改进和评估新闻推荐中的分散性检测

PDF
TL;DR新闻推荐系统对塑造民主社会中的信息获取起着日益重要的作用，但是将推荐定制化于用户特定兴趣可能导致信息流的分散。信息获取的碎片化对公共领域的完整性造成挑战，进而影响民主与公共话语。本文通过自然语言处理（NLP）识别不同的新闻事件、故事或时间线，对量化新闻推荐中的碎片化提出了广泛的研究。我们评估了不同方法在新闻故事聚类上的性能，以及在不同模拟新闻推荐场景下的碎片化得分，发现基于凝聚层次聚类和 SentenceBERT 文本表示的方法明显优于以往的实现。此外，模拟场景的分析为相关方提供了关于测量和解释碎片化的有益见解和建议。
news recommender systemsfragmentationinformation accessnatural language processingnews story clustering
发现论文，激发创造
  • 基于多尺度图划分的内容驱动非监督式新闻文章聚类

    介绍了一种利用自然语言处理和图论工具结合的方法，通过向量表示和多尺度社团检测技术对文本进行分析和分类，得出了一组组具有相似内容的文档，揭示了主题和子主题的类层次结构。

    Aug, 2018

  • 多语种流媒体新闻的聚类

    该研究提出一种基于多语言文档流聚类的方法，可用于实时新闻监测和处理，并在德语、英语和西班牙语数据集上实现了最优结果。

    Sep, 2018

  • 大型语言模型增强的聚类新闻事件检测

    通过结合大型语言模型和聚类分析，利用自动化事件检测框架从全球事件、语言和情感数据库（GDELT）中检测新闻事件，并通过关键词提取、文本嵌入、事件摘要和主题标签等任务加强事件聚类，以提供有价值的洞察力和增强新闻报道的准确性和深度。

    Jun, 2024

  • 面向新闻推荐的图增强表示学习

    该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。

    Mar, 2020

  • 用长期和短期兴趣建模进行图神经新闻推荐

    通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互，并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式，从而在新闻推荐系统中扩展高阶结构信息。实验结果表明，该模型在新闻推荐方面显著优于现有的方法。

    Oct, 2019

  • 通过语义片段探究自然语言推理模型

    通过使用语义片段，作者发现目前自然语言理解领域最先进的模型在布尔协调、量化、条件、比较和单调性推理等方面表现不佳，在这些问题上进行微调，BERT-based 模型可以掌握所有逻辑和单调性片段，同时保持其在已有 NLI 基准测试的性能。

    Sep, 2019

  • 使用分层凝聚聚类分割说明性文本

    本文提出了一种基于分层凝聚聚类的说明性文本分段方法，该方法使用段落作为基本段落，通过它们之间的词汇相似度进行文本的分层话结构识别。该算法已经证明与现有的线性分割方法具有可比较的结果。

    Sep, 1997

  • 多语言新闻流的批量聚类

    提出了一种基于 Topic Detection and Tracking 的新闻处理系统，采用 “replaying” 策略将单语局部主题链接成故事，同时使用 SBERT 进行交叉语言处理，获得了在多个语言数据集上的最新成果。

    Apr, 2020

  • 基于跨语言词向量的多语言新闻聚类研究

    本文提出一种用于分类跨语言新闻的 incorporating clustering 模型，该模型使用跨语言向量表示新闻，使用 LDA 主题模型表示新闻内容，采用 Single-Pass 聚类算法进行优化，并利用知识蒸馏技术，将两个语义空间拟合为一个混合语义空间。

    May, 2023

  • 查询焦点场景构建

    本研究基于一类聚类的方法，通过针对新闻报道数据提取兼容事件的查询系统，根据添加事件的顺序逐步评估每个事件的兼容性，使用合成数据进行模型训练，在新的人为筛选数据集上实现了较高表现且优于现有基准，相信更强大的神经网络模型和更严格的训练设置将有助于促进后续研究。

    Sep, 2019