Oct, 2023

CIDER: 基于类别的意图解缠方法实现准确的个性化新闻推荐

PDF
TL;DR我们提出了一个新颖的个性化新闻推荐框架 (CIDER)，通过利用类别导向的意图分离和基于一致性的新闻表示来解决用户的信息过载问题，并且将类别预测作为辅助任务加入到训练过程中，提供了补充监督信号以增强意图分离，实验证明了 CIDER 相对于七种最先进的新闻推荐方法的一致性性能改进和模型准确性的显著提升。
personalized news recommendationinformation overloadintent comprehensionnews representationrecommendation framework
发现论文，激发创造
  • 短文本上下文敏感情感分析

    该研究提出了一种新的情感分析方法 CIDER，利用上下文敏感的方式将情感计算应用于具有不同语境的一组文本，并证明其表现优于先前研究中的通用情感分析方法。

    Jul, 2023

  • CIDER: 对话解释和推理的常识推断

    本文介绍了 CIDER，一种人工筛选的数据集，旨在通过上下文常识推理提取对话中的富含隐含和显式知识三元组的解释，且通过多项基准测试表明此任务的困难性和它为未来有前途的研究提供了重要的基础。

    Jun, 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

  • 基于多意图解耦的序列推荐对比学习方法

    我们提出了一种基于多意图解缠的对比学习序列推荐方法（MIDCL），通过识别动态多样的意图，针对用户行为进行推荐，实现了超越大多数现有基准方法的性能，并为基于意图的预测和推荐研究带来了更可解释的案例。

    Apr, 2024

  • 超越研究数据集：工业场景下的新意图发现

    本文提出了一种用于大型电子商务平台的意图发现流程改进方法，该方法利用了领域内数据的自我监督和弱监督预训练语言模型，以及利用现实生活数据的对话结构进行微调的最佳方法，并使用所有这些方法结合使用，使真实生活数据的使用比仅使用问题数据的 CDAC 模型效果提高了多达 33pp。

    May, 2023

  • Preference or Intent? 双重解耦协同过滤

    本文提出了一种名为 DDCF 的双重分离协作过滤方法，通过分离意图和偏好的影响因素，构建独立的偏好表示，以提高个性化推荐性能的鲁棒性和可解释性。实验表明，DDCF 显著提高了性能和解释能力。

    May, 2023

  • 基于大型语言模型的新闻推荐与分类描述

    利用大型语言模型自动生成新闻分类描述，并将其作为附加信息融入推荐模型，大幅提高了个性化新闻推荐的准确性。

    May, 2024

  • 带上下文树的个性化新闻推荐

    本文介绍了一种基于上下文树的新闻推荐系统，能够根据用户的浏览行为为匿名访客提供高质量、准确、新颖的新闻推荐。该系统能够很好地捕捉新闻文章的独特性质，并提供良好的预测准确性。

    Mar, 2013

  • 理解新闻创作意图：框架、数据集和方法

    媒体经济的颠覆性变革和替代性新闻媒体的蓬勃发展使新闻意图逐渐偏离了为公众利益服务的道德标准，为了弥补这一缺口，我们提出了第一个基于哲学、心理学和认知科学研究的有组件意图理解框架（NINT），通过定义新闻意图识别任务，并提供细粒度标签的基准数据集和高效的基准方法，实验证明 NINT 在意图识别任务和需求对新闻具有深刻理解的下游任务中都具有益处，这项工作标志着对新闻创作意图更系统化探索的基础步骤。

    Dec, 2023

  • IntenDD: 一种统一对比学习方法用于意图检测和发现

    使用对比学习策略和修改的吸附法模型，IntenDD 方法通过共享的话语编码骨干来实现任务导向的对话系统中对意图的识别，并在多个任务中实现了显著的性能提升。

    Oct, 2023