本研究提出了一种基于个性化注意力的神经新闻推荐模型，其中使用了卷积神经网络进行新闻表示建模并使用个性化注意力机制对用户建模，同时在一个真实世界的新闻推荐数据集上进行了广泛实验以验证模型的有效性。

Jul, 2019

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

本文提出了一种自动新闻推荐的框架，其中包含协同新闻编码（CNE）和结构化用户编码（SUE）来提高新闻和用户表示学习，并使用 MIND 数据集验证了该模型的有效性。

Sep, 2021

本研究通过比较简单和复杂推荐系统之间的性能差异，保证较高的 AUC 分数，并发现新闻嵌入和评分函数之间的复杂性之间的权衡。

Jul, 2022

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

提出候选感知的用户建模方法，结合候选新闻进行模型训练，以提高个性化新闻推荐的效率。实验表明该方法有效提升了新闻推荐性能。

Apr, 2022

通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互，并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式，从而在新闻推荐系统中扩展高阶结构信息。实验结果表明，该模型在新闻推荐方面显著优于现有的方法。

Oct, 2019

本文提出了一个新颖的方法，使用少量人为监督来挖掘具有语义相关性的新鲜文档及其主题标签，并设计了一个多任务模型 - NewsEmbed，交替使用对比学习和多标签分类来推导通用文档编码器，在多个自然语言理解任务中实现了出色的性能表现。

Jun, 2021

为了提高新闻推荐的用户兴趣模型和模型训练的效果，我们提出了一种利用各种用户反馈的统一用户建模框架，并采用强到弱的注意力网络来提炼正负用户兴趣，以及采用多反馈模型训练框架来学习关注度感知的新闻推荐模型。

Feb, 2021