Стратегия и практика издательского бизнеса 07/2025 | Page 4

4 [

ТЕХНОЛОГИИ И ИННОВАЦИИ gipp. ru ] [ wan-ifra. org ]
ИЮЛЬ 2025

Хорошие рекомендации

Датская медиагруппа JP / Politikens начала экспериментировать с искусственным интеллектом в конце 2019 года, задолго до нынешнего бума. В октябре 2020 года издательство запустило проект по внедрению ИИ в Ekstra Bladet, одном из трех своих национальных новостных брендов.
По словам Каспера Линдскоу, главы отдела по работе с искусственным интеллектом JP / Politikens Media Group, проект под названием Platform Intelligence in News( PIN) предназначен для достижения трех стратегических целей:
W повысить редакционную и коммерческую ценность за счет использования ИИ для создания обновленного продукта – ekstrabladet. dk с более широким, глубоким и насыщенным подходом к работе с новостями;
W внедрять ИИ-системы, соответствующие редакционным стандартам, и контролировать использование этих технологий;
W продвигать здравый подход к использованию ИИ в средствах массовой информации, делясь своим опытом и идеями. « Мы изначально планировали использовать искусственный интеллект и в редакционной работе, и в бизнесе. Наша редакционная миссия расширяется за счет создания более глубокого и насыщенного информационного пространства, где читатели смогут получать актуальный и качественный контент, в полной мере соответствующий нашей редакционной политике. Кроме того, наша бизнес-стратегия строится с учетом увеличения доходов от рекламы и растущей базы подписчиков в результате увеличения трафика и продаж подписок, а также снижения оттока », – поясняет Линдскоу.
В рамках этого проекта команда PIN сосредоточилась на трех типах ИИ, чтобы сформировать новый подход работы с новостным контентом.
1. Рекомендательные системы
Ekstra Bladet внедрила системы рекомендаций, управляемые ИИ, чтобы помочь читателям находить актуальные новости в быстро меняющейся цифровой среде. В отличие от развлекательных платформ, где « срок годности » контента гораздо больше, новостные статьи быстро теряют актуальность.
Команда PIN разработала рекомендательные модели, в которых сочетаются востребованность и персонализация, соблюдается целостность информации и исключаются ошибки при фильтрации.
Архитектура рекомендательной системы Ekstra
Bladet включает несколько моделей:
W Модели коллаборативной фильтрации предсказывают предпочтения пользователей на основе поведения аудитории в целом. Они эффективны для выявления популярного контента, однако смещают акценты на тренды.
W Модели фильтрации на основе контента анализируют метаданные статей, используя классификацию по темам, распознавание именованных сущностей( NER) и анализ настроений, чтобы рекомендовать статьи на основе индивидуальной истории чтения. Они помогают выявить нишевый контент, но требуют смягчения результатов, поскольку в рекомендациях слишком выделяются те или иные предпочтения.
W Гибридные модели сочетают коллаборативную фильтрацию и фильтрацию на основе контента и нацелены на соблюдение баланса между востребованным контентом и персонализацией.
W Модели сходства, основанные на сравнительном обучении, оценивают сходство статей, используя методы глубокого обучения, и гарантируют, что рекомендации действительно отражают тематическую согласованность, а не основаны на простом сопоставлении ключевых слов.
Каспер Линдскоу, глава отдела по работе с искусственным интеллектом JP / Politikens Media Group.
Главная страница сайта Ekstra Bladet была поделена на несколько частей, каждая из которых стал управляться различными моделями ИИ. Так, верхние блоки, где представлены горячие новости, управляются моделями коллаборативной фильтрации; средние блоки, ведущие на нишевые статьи, – моделями фильтрации на основе контента; основные разделы с важными аналитическими материалами – гибридными моделями.
Внедрение этих систем позволило существенно повысить вовлеченность пользователей:
W на 110 % увеличилось количество бесплатных статей;
W на 38 % увеличилось число читателей платных статей;
W на 35 % увеличилось число конверсий в подписку. A / B-тестирование позволило получить ключевую информацию о производительности различных моделей. Модели коллаборативной фильтрации обеспечивают высокую вовлеченность, но при этом продвигают уже популярные истории. Модели, основанные на контенте, улучшают поиск нишевого контента, но создают риск возникновения пузыря фильтров. Гибридные модели предлагают наиболее сбалансированный подход, повышая персонализацию.
2. Обработка естественного языка( NLP) В Ekstra Bladet используют NLP для улучшения поиска контента, автоматизации тегирования метаданных и улучшения качества рекомендаций к статьям. Основная цель – динамично отображать связанные с новостями сюжеты, позволяя читателям глубже изучать темы, не полагаясь на явные предпочтения пользователей.
Модели коллаборативной фильтрации обеспечивают высокую вовлеченность, но при этом продвигают уже популярные истории. Модели, основанные на контенте, улучшают поиск нишевого контента, но создают риск возникновения пузыря фильтров. Гибридные модели предлагают наиболее сбалансированный подход, повышая персонализацию.
Команда PIN внедрила различные модели NLP, каждая из которых была адаптирована для конкретных задач, связанных с новостным контентом:
W Модели классификации тем: нейронные сети сортируют статьи, что позволяет структурированно классифицировать новостные темы.
W Распознавание именованных сущностей( NER): система автоматически идентифицирует и помечает объекты( например, людей, организации, местоположения) в статьях, что способствует улучшению индексации и поиску связанного контента.
W Модели анализа настроений: эти модели оценивают эмоциональный тон статей, помогая в подборе контента и таргетинге рекламы.
W Модели сходства, основанные на сравнительном обучении: они значительно улучшают рекомендации по статьям на определенную тему, оценивая контекстуальное сходство, выходящее за рамки простого совпадения ключевых слов.