Anbefaling av nyhetsinnhold i praksis: Fra algoritmer til personaliserte nyheter

Abstract

Automatiserte anbefalinger av nyhetsinnhold brukes i dag på nettsidene til mange medieselskaper med hensikt å presentere leserne mer relevante nyheter og tilby bedre brukeropplevelser. Slike brukerforståelse. I denne artikkelen belyser vi noen av utfordringene med nyhetsanbefalinger og diskuterer spesielt teknikker som kollaborativ filtrering og innholdsbaserte anbefalinger. Vi kommer også inn på evalueringsmetrikker, fordi tradisjonelle mål på presisjon og recall ikke alltid samsvarer med mediehusenes behov for å benytte løsningene strategisk for å bedre lønnsomheten. Polaris Media har over flere år eksperimentert med anbefalingsteknologi på sine nettaviser, og vi presenterer i artikkelen funn og innsikter fra denne utprøvingen. Noen hovedfunn er at anbefalingsløsninger kan øke klikkraten og anbefalingsløsninger drar nytte av nye teknikker fra maskinlæring og stordataarkitekturer fra informatikkfaget. I denne artikkelen diskuterer vi om personlige nyhetsanbefalinger kan øke trafikken til nettaviser i en tid hvor mediebransjen er under press, samt bidra til å gi medieaktørene større lesetiden betydelig, revitalisere eldre nyhetsstoff slik at innhold får lengre levetid samt bidra til å forstå brukersegmentene bedre. Artikkelen posisjonerer seg innenfor en design science research-tilnærming, hvor målsetningen er å forstå industriens behov og utvikle og prøve ut artefakter som møter disse behovene.