Dokument: What Do Others Think About This Comment? -- Recommending Diverse and Relevant User Comments in Comment Sections

Titel:What Do Others Think About This Comment? -- Recommending Diverse and Relevant User Comments in Comment Sections
URL für Lesezeichen:https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=70313
URN (NBN):urn:nbn:de:hbz:061-20250805-110218-6
Kollektion:Dissertationen
Sprache:Englisch
Dokumententyp:Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:Text
Autor: Steimann, Jan Lukas [Autor]
Dateien:
[Dateien anzeigen]Adobe PDF
[Details]6,12 MB in einer Datei
[ZIP-Datei erzeugen]
Dateien vom 23.07.2025 / geändert 23.07.2025
Beitragende:Prof. Dr. Mauve, Martin [Gutachter]
Prof. Dr. Conrad, Stefan [Gutachter]
Dewey Dezimal-Klassifikation:000 Informatik, Informationswissenschaft, allgemeine Werke » 004 Datenverarbeitung; Informatik
Beschreibungen:Die Kommentarspalten von Nachrichtenseiten bieten Nutzern die Möglichkeit sich über ihre
Ansichten und Meinungen zu einem Artikel oder Thema auszutauschen. Beim Lesen eines
Kommentars fragt sich ein Leser vielleicht, wie andere darüber denken. Zum Beispiel könnte
bei einer Diskussion über den Wohnungsmarkt ein Nutzer vorschlagen, alte Häuser durch neue,
energieeffizientere zu ersetzen. Das könnte die Frage beim Leser aufwerfen, was für andere
Meinungen dazu existieren. Es ist jedoch äußerst aufwendig solche Kommentare zu finden, da
der Leser dazu zahlreiche Artikel verschiedener Nachrichtenagenturen durchsuchen müsste.
Diese Dissertation stellt einen neuartigen Ansatz für die Empfehlung von Kommentaren vor,
der darauf abzielt, relevante und vielfältige Kommentare zu identifizieren, basierend auf dem
Kommentar für den sich der Nutzer gerade interessiert. Dabei ist das Ziel Meinungen und
Perspektiven aufzuzeigen, welchen der Leser normalerweise nicht begegnen würde. Auf diese
Weise soll der Nutzer sich eine ausgewogenere Meinungen bilden können. Da es sich hierbei
um einen neuen Ansatz handelt, untersucht die Arbeit vorwiegend, wie ein solches System
anwendungsorientiert entwickelt werden kann und welche Herausforderungen und Lösungen
dabei auftauchen.
Um diese Herausforderung zu meistern, wird die komplexe Aufgabe des Empfehlens von Kom-
mentaren zunächst in kleinere Teilschritte zerlegt. Zuerst befasst sich diese Arbeit mit der
Schwierigkeit, relevante Kommentare basierend auf semantischer Ähnlichkeit zu ermitteln, die
thematisch zu dem Kommentar passen, für den sich der Nutzer interessiert.
Anschließend wird der anwendungsorientierte Aspekt der Arbeit genauer betrachtet. Hierfür
wird ein Framework entwickelt, welches darauf ausgerichtet ist, schnell Prototypen für Emp-
fehlungsmodelle zu bauen. Diese lassen sich dann sowohl in einer Laborumgebungen als auch
im realen Kontexten evaluieren.
Als nächstes befasst sich die Dissertation mit der Identifizierung relevanter Kommentare. Wäh-
rend die erste Forschungsarbeit hilft, thematisch verwandte Kommentare zu erkennen, kann
sie nicht gewährleisten, dass der Kommentare einen relevanten Beitrag für die Diskussion lie-
fert. Daher wird eine Benutzerbefragung durchgeführt, um zu untersuchen, welchen Einfluss
kontextunabhängige Faktoren wie Position, Begründung und Quellen auf die Relevanz eines
Kommentars haben.
Abschließend werden diese Erkenntnisse aus früheren Studien in einem Modell gebündelt, wel-
ches als erstes automatisiert relevante und vielfältige Kommentaren für einen gegebenen Kom-
mentar identifizieren kann. Gleichzeitig konnte dadurch ein Verständnis für offene Probleme
und mögliche Lösungen für zukünftige Empfehlungssystem entwickelt werden.

Comment sections of news websites serve as popular place for public debate, where users
share their views. As the readers go through comments, they might find themselves wondering
about various perspectives regarding a particular comment. For example, in a discussion about
housing costs, a comment might suggest replacing old homes with efficient apartments, sparking
the question of what other perspectives people might have. Yet, uncovering such comments
involves combing through related articles of several news outlets, which would take a lot of
effort.
This dissertation presents a novel approach for recommending relevant and diverse comments
that complement the comment the user is currently interested in. This research seeks to
aid online discussions by offering users perspectives they might not typically encounter, thus
fostering a more informed opinion. As this comment-centric approach is unique so far, this work
investigates how to develop such a system and examines the challenges that are encountered.
To ensure the practical value of this solution, we keep a strong focus on usability during this
thesis.
This task of finding relevant and diverse recommendations presents a complex problem which
is broken down into more manageable sub-tasks during this thesis. First, a method is discussed
to identify recommendations that align thematically using semantic similarity. Concurrently,
the retrieval process performance was evaluated to ensure the approach remained application-
focused.
Subsequently, this thesis focuses on the application-oriented facet and presents an open-source
software framework designed to swiftly build prototypes for the comment recommendation
systems. These systems allow for an evaluation of the models in both laboratory and real-
world environments.
Next, the thesis aims to identify relevant comments. Although initial research helps detect
topically related comments, it may not ensure their relevance to the discussion. Thus, a user
study was conducted to explore context-independent factors such as position or justification
that may affect the relevance of a comment. This user-study helps to build an understanding
of how these elements influence comment relevance.
In conclusion, these findings of previous studies are integrated and expanded to construct the
final recommendation model. This marks the first instance of delivering relevant and varied
recommendations for a specific comment, while also helping to develop an understanding of
open-problems and possible solutions for future recommendation systems.
Lizenz:Creative Commons Lizenzvertrag
Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:Mathematisch- Naturwissenschaftliche Fakultät » WE Informatik
Dokument erstellt am:05.08.2025
Dateien geändert am:05.08.2025
Promotionsantrag am:29.04.2025
Datum der Promotion:30.06.2025
english
Benutzer
Status: Gast
Aktionen