Feb, 2023

DOR: 一种基于双观察的新闻推荐系统方法

PDF
TL;DR该研究提出了一种基于双重观察方法的新闻推荐算法，结合了用户对新闻的兴趣和偏见以及新闻文章的内容，通过深度神经网络识别新闻文章的主要焦点和用户对文章的关注点来提供更加个性化、准确的推荐。
online social media platformspersonalized recommendation algorithmsuser behaviornews articledeep neural network
发现论文，激发创造
  • 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

  • DKN: 新闻推荐中基于深度知识的神经网络

    本文提出了一种深度知识感知网络 (DKN)，将知识图谱表示法融入新闻推荐中，使用多通道和单词 / 实体对齐的知识感知卷积神经网络 (KCNN) 整合新闻的语义水平和知识水平表示，设计注意力模块在 DKN 中动态聚合用户历史以及目前候选新闻，实验证明 DKN 在真实在线新闻平台所取得的成果超过了所有最先进的深度推荐模型，并证实了 DKN 中使用知识的有效性。

    Jan, 2018

  • 基于动态图注意力网络的基于会话的社交推荐

    该研究提出了基于动态图注意力神经网络的在线社区推荐系统，能够模拟用户动态行为，并根据用户当前兴趣动态推断影响因素，经实验验证，其效果优于现有的各种方法。

    Feb, 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

  • 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

  • 新闻推荐系统：最近进展、挑战和机遇的评估

    本文介绍了新闻推荐系统领域面临的挑战及其最新解决方案，其中包括传统模型和基于深度学习的模型。在探讨用户行为对于推荐效果的影响以及可能的解决方案时，为研究者和业界提供了最前沿的知识。

    Sep, 2020

  • 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

  • 面向推荐系统中多方面社会影响的深度潜在表示的双图关注网络

    本文提出了一个新的社交推荐模型，使用双重图注意力网络来协同学习两种社交效应的表示，并在上下文中使用基于策略的融合策略来提高推荐精度。

    Mar, 2019

  • DIGAT: 双图交互建模新闻推荐

    本研究提出了基于双重图交互关注机制的新闻推荐模型 DIGAT，用于克服现有方法中存在的信息不足和推荐误差问题，利用语义信息增强图模型和用户兴趣主题图来提高新闻 - 用户特征匹配准确度。实验结果表明 DIGAT 优于现有推荐算法，进一步分析证实了其方法的有效性。

    Oct, 2022

  • 无处可藏：双重深度交互通道网络基于数据增强用于假新闻检测

    本篇论文提出了一种基于语义、情感和数据增强的小样本下假新闻检测方法，并引入情感演进模式和双深度交互通道网络，同时设计数据增强模块提高模型性能。实验证明该方法优于现有方法。

    Mar, 2023