研究了匿名用户的新闻推荐问题，提出了一种基于正负反馈的用户行为建模框架，综合考虑用户和文章的观看时间等不同反馈信息，以实现更精确、多样化和出乎意料的推荐效果。

May, 2022

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

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

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

该研究提出了 HieRec，一种基于层次化用户兴趣模型的新闻推荐方法，使用三级层次结构表示用户的兴趣，并使用层次匹配框架实现更准确的用户兴趣目标定位，实验结果表明该方法能够有效改善个性化新闻推荐的用户建模效果。

Jun, 2021

本文提出了一种名为 DRPN 的神经网络算法，利用正负隐式反馈来提高推荐性能，并通过降噪模块去除正负隐式反馈中的噪声，实现更好的新闻推荐性能。实验表明 DRPN 在大规模数据集上的表现是最先进的。

Apr, 2022

本论文介绍了一个基于强化学习的 FeedRec 框架来优化长期用户参与度，该框架包括 Hierarchical LSTM 的 Q-Network 和用于模拟环境、辅助 Q-Network 并避免策略学习收敛不稳定的 S-Network，实验结果表明 FeedRec 能够有效地优化长期用户参与度，并且优于现有的技术水平。

Feb, 2019

本研究提出了一种基于行为感知的图形网络，同时考虑六种不同类型的行为以及用户对新闻多样性的需求，使用 DeepWalk 提取实体语义，建立了一个基于图形的卷积神经网络来学习新闻的表示，以及一个基于关注力的 LSTM 来学习行为序列的表示，成功地将新闻推荐给不同程度集中度的不同用户。

Nov, 2018