Recommender systems have become ubiquitous over the last decade, providing users with personalized search results, video streams, news excerpts, and purchasing hints. Human emotions are widely regarded as important predictors of behavior and preference. They are a crucial factor in decision making, but until recently, relatively little has been known about the effectiveness of using human emotions in personalizing real-world recommender systems. In this paper we introduce the Emotion Aware Recommender System (EARS), a large scale system for recommending news items using user’s self-assessed emotional reactions. Our original contribution includes the formulation of a multi-dimensional model of emotions for news item recommendations, introduction of affective item features that can be used to describe recommended items, construction of affective similarity measures, and validation of the EARS on a large corpus of real-world Web traffic. We collect over 13,000,000 page views from 2,700,000 unique users of two news sites and we gather over 160,000 emotional reactions to 85,000 news articles. We discover that incorporating pleasant emotions into collaborative filtering recommendations consistently outperforms all other algorithms. We also find that targeting recommendations by selected emotional reactions presents a promising direction for further research. As an additional contribution we share our experiences in designing and developing a real-world emotion-based recommendation engine, pointing to various challenges posed by the practical aspects of deploying emotion-based recommenders.

中文翻译：

---

在线新闻行业中的情感推荐系统：情绪如何影响阅读选择

推荐系统在过去十年变得无处不在，为用户提供个性化的搜索结果、视频流、新闻摘录和购买提示。人类情绪被广泛认为是行为和偏好的重要预测因素。它们是决策的关键因素，但直到最近，人们对使用人类情感在个性化现实世界推荐系统中的有效性知之甚少。在本文中，我们介绍了情绪感知推荐系统（EARS），这是一种使用用户自我评估的情绪反应来推荐新闻项目的大规模系统。我们的原始贡献包括为新闻项目推荐制定多维情感模型，引入可用于描述推荐项目的情感项目特征，构建情感相似性度量，并在大型真实世界网络流量语料库上验证 EARS。我们从两个新闻网站的 2,700,000 名独立用户那里收集了超过 13,000,000 次页面浏览量，并收集了对 85,000 篇新闻文章的超过 160,000 种情感反应。我们发现将愉快的情绪融入协同过滤推荐始终优于所有其他算法。我们还发现，通过选定的情绪反应进行针对性推荐为进一步研究提供了一个有希望的方向。作为额外的贡献，我们分享了我们在设计和开发现实世界基于情感的推荐引擎方面的经验，指出部署基于情感的推荐器的实际方面带来的各种挑战。EARS 在真实世界网络流量的大型语料库上的验证。我们从两个新闻网站的 2,700,000 名独立用户那里收集了超过 13,000,000 次页面浏览量，并收集了对 85,000 篇新闻文章的超过 160,000 种情感反应。我们发现将愉快的情绪融入协同过滤推荐始终优于所有其他算法。我们还发现，通过选定的情绪反应进行针对性推荐为进一步研究提供了一个有希望的方向。作为额外的贡献，我们分享了我们在设计和开发现实世界基于情感的推荐引擎方面的经验，指出部署基于情感的推荐器的实际方面带来的各种挑战。EARS 在真实世界网络流量的大型语料库上的验证。我们从两个新闻网站的 2,700,000 名独立用户那里收集了超过 13,000,000 次页面浏览量，并收集了对 85,000 篇新闻文章的超过 160,000 种情感反应。我们发现将愉快的情绪融入协同过滤推荐始终优于所有其他算法。我们还发现，通过选定的情绪反应进行针对性推荐为进一步研究提供了一个有希望的方向。作为额外的贡献，我们分享了我们在设计和开发现实世界基于情感的推荐引擎方面的经验，指出部署基于情感的推荐器的实际方面带来的各种挑战。对 85,000 篇新闻文章的 000 种情绪反应。我们发现将愉快的情绪融入协同过滤推荐始终优于所有其他算法。我们还发现，通过选定的情绪反应进行针对性推荐为进一步研究提供了一个有希望的方向。作为额外的贡献，我们分享了我们在设计和开发现实世界基于情感的推荐引擎方面的经验，指出部署基于情感的推荐器的实际方面带来的各种挑战。对 85,000 篇新闻文章的 000 种情绪反应。我们发现将愉快的情绪融入协同过滤推荐始终优于所有其他算法。我们还发现，通过选定的情绪反应进行针对性推荐为进一步研究提供了一个有希望的方向。作为额外的贡献，我们分享了我们在设计和开发现实世界基于情感的推荐引擎方面的经验，指出部署基于情感的推荐器的实际方面带来的各种挑战。我们还发现，通过选定的情绪反应进行针对性推荐为进一步研究提供了一个有希望的方向。作为额外的贡献，我们分享了我们在设计和开发现实世界基于情感的推荐引擎方面的经验，指出部署基于情感的推荐器的实际方面带来的各种挑战。我们还发现，通过选定的情绪反应进行针对性推荐为进一步研究提供了一个有希望的方向。作为额外的贡献，我们分享了我们在设计和开发现实世界基于情感的推荐引擎方面的经验，指出部署基于情感的推荐器的实际方面带来的各种挑战。