Feb, 2022

质量感知新闻推荐

PDF
TL;DR本文提出了一种可以有效提高推荐新闻的质量的质量感知型新闻推荐方法 QualityRec，采用基于用户阅读停留时间分布的新闻质量评估方法，并设计内容质量注意力网络将新闻质量信息融入用户兴趣建模，训练辅助的新闻质量预测任务来学习质量感知型的推荐模型，并添加推荐质量正则化的损失来鼓励模型推荐更高质量的新闻，通过在两个真实数据集上进行的实验表明 QualityRec 可以有效提高推荐新闻的整体质量，并减少对低质量新闻的推荐。
news recommendationquality-awareuser interest modelingnews quality evaluationrecommender system
发现论文，激发创造
  • 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

  • 带有候选集感知用户建模的新闻推荐

    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

  • PP-Rec: 新闻推荐与个性化用户兴趣和时间感知新闻热度

    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

  • 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

  • 新闻推荐与注意力机制

    本研究探讨新闻推荐领域，即在线信息共享的重要组成部分。首先，我们提供了一个清晰的新闻推荐介绍，定义了核心问题并总结了目前的方法和最新算法。然后，我们介绍了我们实现的基于注意机制的新闻推荐方法 ——NRAM，并评估其有效性。我们的评估结果表明，NRAM 有潜力显著改善数字新闻平台上用户个性化新闻内容的方式。

    Feb, 2024

  • FeedRec: 利用各种用户反馈的新闻推荐

    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

  • 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

  • 个性化新闻推荐：方法与挑战

    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

  • ProFairRec: 新闻推荐中考虑供应商公正性的模型

    本文提出了一个公平考虑的新闻推荐框架 ProFairRec，通过学习提供者公平的新闻表征和用户表征，实现了在偏见用户数据中实现不同新闻提供者的公平性。通过对新闻提供者歧视的对抗性学习任务和提供者公平和 - biased 表征的正交正则化，我们证明了 ProFairRec 方法可以有效地提高许多现有方法的提供者公平性，同时保持它们的推荐准确性。

    Apr, 2022

  • 公平推荐：基于分解对抗学习的公平新闻推荐

    本文提出了一种公平感知的新闻推荐方法，通过分解对抗性学习和正交正则化来缓解敏感用户属性带来的偏见，将用户兴趣模型分解为两个组件，用于学习偏差感知和偏差自由的用户嵌入，通过正交正则化来更好地区分偏差自由和偏差感知的用户嵌入，实证结果表明该方法可以在保证较小性能损失的情况下有效提高推荐公平性。

    Jun, 2020