多様性と意外性を考慮したニュースレコメンドエンジン

ユーザ視線リコメンドモデルの開発

レコメンドエンジンがフィードに変わり主要な情報探索手段となるには、興味に一致しているだけでは足りず、
推薦結果全体として多様性や意外性をもつ必要性がある。

ユーザの記事リスト閲覧時の視線の動きを考慮し、リスト上位の記事の推薦で使用したトピックを減衰させ、
ユーザのプロファイルを変更させていくリコメンドエンジンを開発し、ニュースのレコメンドサービス Gunosy に適用した。
上位と下位で異なる記事が推薦されることにより、推薦リストに多様性が生じる。
また、興味スコアの低いトピックに関する記事が表示されるようになり、ユーザが意外だと感じる記事の推薦も可能となる。

サービスのユーザ一ヶ月継続率は、下降傾向にあったが、新アルゴリズム適用により増加傾向へ変更した。