带上下文树的个性化新闻推荐
提出了一种基于上下文、深度学习的会话式新闻推荐方法,通过考虑文章流行度和新颖性等多种信息类型,显著提高了推荐准确性和目录覆盖率,并且能够在准确性和新颖性之间进行平衡。
Apr, 2019
本文提出了一种基于上下文的赌博算法来模拟个性化推荐新闻文章,该算法在学习过程中考虑到用户和文章的背景信息,并根据用户对文章的反馈调整文章选择策略以最大化总的用户点击率。实验结果表明,相较于标准的基于上下文的赌博算法,本方法提高了 12.5% 的点击率。
Feb, 2010
本文全面总结了个性化新闻推荐的技术与挑战,阐述了解决每个核心问题的技术及其所面临的挑战,介绍了公开数据集和评估方法,讨论了提高个性化新闻推荐系统的责任感的关键点,提出了值得进一步研究的几个方向,以期帮助读者全面了解该领域。
Jun, 2021
本文研究了新闻组织中的自动化新闻推荐系统,探讨了在编辑价值的背景下,自动化推荐对读者的阅读行为的影响,发现相较于非个性化的编辑排名,我们的推荐系统可产生更多样化的阅读行为和更高的文章覆盖率,并且可以通过重新排名方法成功地将动态性融入我们的推荐系统,有效地引导读者浏览更具有多样性和活力的文章。
Apr, 2020
本文介绍了新闻推荐系统领域面临的挑战及其最新解决方案,其中包括传统模型和基于深度学习的模型。在探讨用户行为对于推荐效果的影响以及可能的解决方案时,为研究者和业界提供了最前沿的知识。
Sep, 2020
该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法,可以通过对历史用户点击行为的图谱表达用户和新闻相关性,进而学习用户和新闻的表征,实现个性化推荐。
Mar, 2020
本文提出了一种知识感知的交互匹配方法,通过使用知识图谱来捕获语义和实体之间的相关性,同时设计了新闻协同编码器和用户新闻协同编码器来学习正文新闻和候选新闻的表征以及用户兴趣的表征,从而有效提高了新闻推荐的性能。
Apr, 2021
本文探讨了基于内容信息的混合神经新闻推荐系统在个性化推荐中的重要性,并对其中的技术 —— 内容感知技术和内容不可知技术进行了对比和分析。最后通过对两个公开数据集的实验验证了采用混合方法的重要性,同时也证明了内容编码的选择对推荐性能有影响。
Jul, 2019
本文提出了一种个性化新闻推荐方法,它通过将新闻的热门信息和用户兴趣结合,从而解决了针对新用户和兴趣多样化的问题,提高了推荐的准确性和多样性。
Jun, 2021