MMOct, 2022

IGNiteR: 微博应用中的新闻推荐（扩展版）

PDF
TL;DR利用深度学习技术和社交媒体上的社会互动，提出了基于流行程度和扩散路径、时效性、个体偏好等特征的微博新闻内容推荐模型 ——Influence-Graph News Recommender (IGNiteR)，并在两个真实数据集上展开大量实验。结果表明，它优于现有的基于深度学习的新闻推荐方法。
news recommendationmicrobloggingdeep learningdiffusionsocial interaction
发现论文，激发创造
  • 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

  • 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

  • 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

  • 有影响力的推荐系统

    本文提出了一种新的推荐范式：有影响力的推荐系统（IRS），通过序列推荐一系列精心选择的商品（称为影响路径），以引导用户喜欢特定的商品，我们提出了基于 Transformer 的连续模型：有影响力的推荐网络（IRN），该模型可以编码物品之间的序列依赖关系；我们引入个性化印象蒙版（PIM）来模拟用户对外部影响的接收度，以为用户生成最有效的影响路径。实验结果表明，IRN 明显优于基线推荐系统，并展示了它影响用户兴趣的能力。

    Nov, 2022

  • 超越本地：全球图增强个性化新闻推荐

    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

  • 基于图的行为感知交互新闻推荐

    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

  • DeepInf: 基于深度学习的社交影响预测

    作者设计了一个端到端的深度神经网络框架 DeepInf，用于学习用户的潜在特征表示以预测社交影响，并且在不同类型的社交和信息网络上展开了广泛的实验以证明该模型的显著优越性。

    Jul, 2018

  • 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

  • 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

  • LLM 强化的生成式新闻推荐初探

    本文介绍一种基于大型语言模型的可生成新闻推荐框架 GENRE，通过预训练的语义知识，提供了一种灵活且统一的新闻推荐解决方案，可以用于个性化新闻推荐、用户画像和新闻摘要。各种流行的推荐模型的广泛实验证明了 GENRE 的有效性。

    May, 2023