增强本地新闻用户参与度的混合推荐框架

本地新闻机构面临着迫在眉睫的挑战——在分发量下降和全球媒体竞争加剧的背景下，如何提升读者参与度。个人化新闻推荐系统是一个有前景的解决方案，通过为用户兴趣定制内容。然而，传统方法往往侧重于一般偏好，可能忽略本地新闻中细微或多元化的兴趣。我们提出了一种混合新闻推荐方法，整合了本地和全局偏好模型以提升参与度。基于对本地模型价值的证据，我们的方法在一个框架内统一了本地和非本地预测器。该系统通过集成策略和多阶段训练，自适应地组合来自专注于地域特定内容的本地模型与捕捉更广泛偏好的全局模型。我们在两个数据集上评估了该模型：一个基于Syracuse报纸分布的合成数据集，以及一个标注了本地和非本地内容的数据集（EB-NeRD），使用大语言模型。结果表明，我们的集成方法在准确率和覆盖范围上均优于单模型基线，表明能够实现更好的个性化，从而推动用户参与度。这些发现对出版商具有实际意义，尤其是本地出版商。通过利用社区特定和通用用户兴趣，混合推荐器可以提供更相关的内容，增加用户留存和订阅。总之，本工作引入了新的推荐系统方向，桥接本地和全局模型，通过可扩展的、个性化的用户体验来振兴本地新闻消费。