Not logged in.

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Framework for News Recommendations
Organization Unit
Authors
  • Simon Tännler
Supervisors
  • Suzanne Tolmeijer
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date October 2018
Abstract Text A common issue in recommender systems is the lack of explicit feedback. In this thesis we build a news recommendation framework to collect explicit and implicit feedback from users reading news articles. Our goal is to find a generic way how to interpret implicit feedback to approximate a users interest in an article. After conducting a field study we train machine learning models on the collected implicit feedback to predict the explicit feedback the user has assigned to a given article. Our results reveal that the time spent reading and reading progress are the two most influential features. These results have limitations due to UI issues with the way we collected explicit feedback in our iOS client. We realized that our design restricts the number of negative explicit feedback which lead to a severely imbalanced data set. We conclude with suggestions to improve the UI design and recommend a more comprehensive experiment to collect an overall bigger data set.
Zusammenfassung Ein allgemeines Problem in Recommender Systemen ist fehlendes explizites Feedback. In dieser Thesis bauen wir ein News Recommendation Framework, welches direktes und indirektes Feedback über User welche News lesen sammelt. Unser Ziel ist es eine allgemein gültige Interpretation von indirektem Feedback zu finden, um das Interesse eines Users in einem Artikel approximieren zu können. Im Anschluss zu unsere Field Study haben wir Machine Learning Modelle auf dem gesammelten indirekten Feedback trainiert um das direkte Feedback, welches der User einem gegebenen Artikel zugewiesen hat, zu prognostizieren. Unsere Resultate zeigen, dass die Zeitdauer zum Lesen eines Artikels sowie der Lesefortschritt die beiden wichtigsten Faktoren darstellen. Diese Resultate haben jedoch Einschränkungen aufgrund von Unstimmigkeiten wie im UI der iOS App das explizite Feedback gesammelt wurde. Wir realisierten, dass das Sammeln von negativem, explizitem Feedback aufgrund von unserem Design eingeschränkt ist und dadurch ein stark unbalanciertes Datenset entstand. Wir schliessen ab mit Verbesserungen zum UI Design und empfehlen ein umfassenderes Experiment um ein gesamthaft grösseres Datenset zu sammeln.
PDF File Download
Export BibTeX