本期推荐一篇最新发表在《管理科学MS》上的论文《编辑与算法：在线新闻中的推荐技术》。在当今信息爆炸的时代，在线新闻平台越来越依赖推荐系统来满足用户的个性化需求。推荐系统通过分析用户的历史行为，向用户推荐可能感兴趣的内容，旨在提高用户的点击率和参与度。然而，目前的推荐系统主要依赖算法，而传统上，这一任务是由具有丰富经验的新闻编辑来完成的。编辑基于他们的新闻判断力和对受众的理解来决定推荐哪些新闻。因此，研究者们提出了一个关键问题：在推荐新闻时，算法推荐是否优于人类编辑？如果两者各有优劣，那么是否可以结合两者的优势来达到最佳效果？
本研究旨在探索人类编辑和算法推荐在不同条件下的相对表现，特别是算法在拥有大量用户数据时是否能够超越编辑，以及在人类判断和算法推荐之间是否存在互补关系。研究者采用了大规模的实地实验与理论模型相结合的方法，与一家德国新闻媒体合作设计了一个随机对照实验。具体而言，每次用户访问新闻网站首页时，会被随机分配到实验组或控制组。在控制组中，首页内容完全由编辑决定；而在实验组中，首页的第4个推荐位则由算法根据用户的历史行为进行个性化推荐。通过这种设计，研究能够准确对比算法推荐与编辑推荐的点击效果。同时，实验还结合了一次自然实验：在新年期间，算法系统发生故障，无法获取用户的最新数据。利用这一意外情况，研究者进一步分析了数据更新频率对算法效果的影响。
通过对实验数据的分析，研究发现，算法推荐在拥有充足个体数据的情况下，确实能够在点击率上优于人类编辑，但当数据不足或新闻需求波动较大时，人类编辑的表现更佳。此外，数据更新频率对算法的准确性影响显著，如果无法及时更新用户数据，算法推荐效果会显著下降。研究最终表明，结合人类编辑和算法推荐的混合系统能够最大化推荐效果，相较于单纯依赖算法或人类编辑，混合推荐系统可以在用户点击量上提高13%。这一研究揭示了人类专业判断与机器学习技术的互补潜力，为在线新闻平台的推荐系统优化提供了新思路。
唧唧堂学院推荐订阅
