MMJul, 2019

混合神经会话推荐系统中新闻内容表示的重要性

PDF
TL;DR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。
发现论文，激发创造
  • 借助循环神经网络进行具有上下文的混合会话新闻推荐

    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

  • 具有注意力多视图学习的神经新闻推荐

    提出了一种基于神经网络的新闻推荐方法，通过利用新闻的多种信息并采用注意力机制实现对新闻和用户的有效表示学习，成功提高了新闻推荐的准确性。

    Jul, 2019

  • 使用深度神经网络的新闻基于会话的推荐

    本文针对新闻推荐系统中由于用户画像稀疏、物品增长迅速、物品价值衰减加速以及用户偏好动态转移等情况所带来的挑战，提出了一种基于深度学习技术的元架构 CHAMELEON，用于新闻推荐系统中基于会话的推荐，并提供了一种基于时间的离线评估方法，实验表明该方法相对于最佳基准方法在评估指标 Hit Rate 和 MRR 上有着显著的提升。

    Jul, 2018

  • 基于内容神经网络新闻推荐中用户和新闻表征之间的关系研究

    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

  • 知识感知交互匹配的个性化新闻推荐

    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

  • 基于循环神经网络的混合式基于会话的新闻推荐

    本文介绍了一种基于混合元架构的会话式新闻推荐模型 —— 变色龙。该模型利用循环神经网络来整合多种信息类型，并采用了一种模拟新闻门户网站的动态评估策略。实验结果表明，与其他基于会话的推荐算法相比，采用循环神经网络模型和利用用户和文章的辅助信息可以显著提高推荐准确性和目录覆盖率。

    Jun, 2020

  • 超越点击率优化：将编辑价值观融入新闻推荐

    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

  • 面向新闻推荐的图增强表示学习

    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

  • 用长期和短期兴趣建模进行图神经新闻推荐

    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

  • 新闻推荐系统：最近进展、挑战和机遇的评估

    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