Façonner l'avenir des systèmes de recommandation d'actualités basés sur le contenu : Perspectives d'une évaluation des métriques de similarité spécifiques aux caractéristiques

Dans les médias d'actualités, la technologie des systèmes de recommandation fait face à plusieurs défis spécifiques au domaine. Le flux continu de nouveau contenu et d'utilisateurs rend les stratégies de recommandation basées sur le contenu, fondées sur la récupération d'articles similaires, populaires. Cependant, un défi persistant est de sélectionner des caractéristiques pertinentes et des fonctions de similarité correspondantes, et de voir si cela dépend du contexte spécifique. Nous avons évalué des métriques de similarité spécifiques aux caractéristiques en utilisant des jugements de similarité humains à travers des domaines d'actualités nationales et locales. Nous avons mené une expérience en ligne (N = 141) où nous avons demandé aux participants de juger la similarité entre des paires d'articles d'actualités échantillonnés au hasard. Nous avons eu trois contributions : (1) comparer des métriques novatrices basées sur de grands modèles de langage à celles traditionnellement utilisées dans les recommandations d'actualités, (2) explorer les différences dans les jugements de similarité à travers les domaines d'actualités nationales et locales, et (3) examiner quelles stratégies basées sur le contenu étaient perçues comme appropriées dans le domaine de l'actualité. Nos résultats ont montré que l'une des métriques novatrices basées sur de grands modèles de langage (SBERT) était fortement corrélée avec les jugements humains, tandis qu'il n'y avait que peu de différences, souvent non significatives, entre les domaines d'actualités nationales et locales. Enfin, nous avons constaté que bien qu'il soit possible de recommander automatiquement des actualités similaires en utilisant des métriques spécifiques aux caractéristiques, leur représentativité et leur adéquation variaient. Nous expliquons comment nos résultats peuvent guider la conception de futures stratégies de recommandation basées sur le contenu et hybrides dans le domaine de l'actualité.