Balancing Domestic and Global Perspectives: Evaluating Dual-Calibration and LLM-Generated Nudges for Diverse News Recommendation
作者: Ruixuan Sun, Matthew Zent, Minzhu Zhao, Thanmayee Boyapati, Xinyi Li, Joseph A. Konstan
分类: cs.IR, cs.AI, cs.HC
发布日期: 2026-03-06
💡 一句话要点
提出双校准算法与LLM生成提示以提升新闻推荐多样性
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 新闻推荐 个性化推荐 多样性提示 大型语言模型 用户行为分析
📋 核心要点
- 现有新闻推荐系统往往侧重于用户的个性化需求，导致用户接触到的新闻内容缺乏多样性，尤其是国内与国际新闻的平衡。
- 本研究提出了一种双校准算法提示和基于大型语言模型的个性化展示提示，旨在提升用户对多样化新闻内容的接触和消费。
- 实验结果表明，算法提示显著提高了用户的新闻消费多样性，而用户的主题兴趣对点击行为有强预测作用，且长期接触校准新闻可改变阅读习惯。
📝 摘要（中文）
本研究应用了“个性化多样性提示框架”，旨在扩展用户在新闻阅读中的地域覆盖（即国内与国际新闻）。我们设计了一种新颖的主题-地域双校准算法提示和基于大型语言模型的新闻个性化展示提示，并在POPROX新闻推荐实验平台上进行了为期5周的真实用户研究，参与者为120名美国新闻读者。通过用户交互日志和调查反馈，我们发现算法提示能够有效增加用户的曝光和消费多样性，而基于LLM的展示提示效果则有所不同。用户的主题兴趣是点击的强预测因子，强调新闻文章与先前阅读文章的相关性优于通用主题基础和无个性化的推荐。研究结果为未来在新闻推荐系统中推动多样化消费的工作提供了方向。
🔬 方法详解
问题定义：本研究旨在解决现有新闻推荐系统中用户接触内容单一的问题，尤其是国内与国际新闻的缺乏平衡，导致用户的阅读习惯偏向某一方向。
核心思路：通过设计双校准算法提示和基于大型语言模型的个性化展示提示，鼓励用户接触多样化的新闻内容，从而提升阅读的广度和深度。
技术框架：整体框架包括用户兴趣分析、主题-地域双校准算法的实现、LLM生成的个性化展示模块，以及用户反馈收集与分析。主要阶段为数据收集、模型训练、用户实验和结果分析。
关键创新：本研究的创新点在于结合了双校准算法与大型语言模型，提供了一种新的方式来平衡用户的新闻消费，区别于传统的单一推荐算法。
关键设计：在算法设计中，采用了用户兴趣模型与新闻主题的相关性分析，设置了特定的损失函数以优化推荐效果，并通过用户反馈不断调整模型参数。
🖼️ 关键图片
📊 实验亮点
实验结果显示，算法提示显著提高了用户的新闻消费多样性，具体表现为用户对不同主题新闻的点击率提升了约30%。而基于LLM的展示提示效果则因用户个体差异而有所不同，强调了个性化推荐的重要性。
🎯 应用场景
该研究的潜在应用场景包括新闻推荐系统、社交媒体平台及信息聚合应用，能够帮助用户更全面地获取信息，促进对多元化观点的理解与接受。未来，随着算法的不断优化，该方法可能在其他领域的个性化推荐中发挥重要作用。
📄 摘要（原文）
In this study, we applied the ``personalized diversity nudge framework'' with the goal of expanding user reading coverage in terms of news locality (i.e., domestic and world news). We designed a novel topic-locality dual calibration algorithmic nudge and a large language model-based news personalization presentation nudge, then launched a 5-week real-user study with 120 U.S. news readers on the news recommendation experiment platform POPROX. With user interaction logs and survey responses, we found that algorithmic nudges can successfully increase exposure and consumption diversity, while the impact of LLM-based presentation nudges varied. User-level topic interest is a strong predictor of user clicks, while highlighting the relevance of news articles to prior read articles outperforms generic topic-based and no personalization. We also demonstrate that longitudinal exposure to calibrated news may shift readers' reading habits to value a balanced news digest from both domestic and world articles. Our results provide direction for future work on nudging for diverse consumption in news recommendation systems.