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
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
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。
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
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
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。
Feb, 2022
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
该研究提出一种名为 GLORY 的新模型，通过构建全局感知的历史新闻编码器和候选新闻编码器，结合全局表示和本地表示来增强个性化推荐系统，并在公共新闻数据集上表现良好。
Jul, 2023