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
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。
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
本文提出了一种新的神经网络框架来编码用户和产品信息,并通过注意力机制将两种信息结合起来进行训练和预测,在 IMDB 和 Yelp 的数据集上显著优于其他最先进的方法。通过对用户或产品相关单词的注意力可视化,验证了对两种信息在情感分类中起着不同作用的观察结果。
Jan, 2018
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
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
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