- 评估新闻推荐系统的集成方法
如何通过使用集成方法将多个不同的最先进的算法组合起来，以在 Microsoft News 数据集（MIND）上取得卓越成果，本文旨在填补新闻推荐系统（NRS）领域中的研究空白。通过研究发现，结合多个 NRS 算法可以胜过单独算法，前提是基础 - CherryRec: 基于 LLM 驱动框架的新闻推荐质量增强
通过使用自定义的基于文本特征的大型语言模型 (LLMs)，我们提出了一个名为 CherryRec 的新闻推荐框架，以提高新闻推荐的效果和效率，并通过与基准方法在基准数据集上的比较验证了其有效性。
- 基于自回归生成的后验采样
使用历史数据进行预训练的自回归模型，在新闻推荐任务中通过端到端微调预训练语言模型来处理新闻文章标题文本以提高性能，并在在线决策中展示了能够理解不确定性和主动收集信息以解决环境变化的新的学习算法框架。
- 新闻推荐与注意力机制
本研究探讨新闻推荐领域，即在线信息共享的重要组成部分。首先，我们提供了一个清晰的新闻推荐介绍，定义了核心问题并总结了目前的方法和最新算法。然后，我们介绍了我们实现的基于注意机制的新闻推荐方法 ——NRAM，并评估其有效性。我们的评估结果表明 - 基于用户行为建模的新闻推荐预训练模型 (PUNR)
本研究提出了一种基于无监督预训练方法的用户行为建模技术用于新闻推荐系统，包括用户行为掩码和用户行为生成两个任务，用于提高用户表示向量，在真实世界新闻基准测试中获得了显著的性能提高。
- SIGIR新闻推荐的 Prompt 学习
本文首次尝试运用 Prompt Learning 模型中的 cloze-style 任务，设计了 Prompt4NR 框架，包含了离散、连续和混合模板，并使用 Prompt Ensemble 方法，成功提升了新闻推荐效果，实验采用了 MIN - EMNLPDIGAT: 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 - VLSNR: 基于视觉语言协调和时序感知的新闻推荐
提出了一种视觉 - 语言坐标时间序列新闻推荐方法，基于预训练的多模型编码器，应用自注意力网络学习时间顺序。通过构建的大规模多模式新闻推荐数据集 V-MIND 验证了该方法的优越性。
- MMIGNiteR: 微博应用中的新闻推荐（扩展版）
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。 - 跨语言转移提升少样本新闻推荐
本文旨在解决新闻推荐中的 few-shot 问题，通过跨语言转移用户 - 新闻偏好来缩小不同语言域之间的差异，采用一种新颖的跨语言转移模型作为新闻编码器，以达到较高的性能。
- SIGIR正面、负面和中性：基于会话的新闻推荐中的隐式反馈建模
研究了匿名用户的新闻推荐问题，提出了一种基于正负反馈的用户行为建模框架，综合考虑用户和文章的观看时间等不同反馈信息，以实现更精确、多样化和出乎意料的推荐效果。
- SIGIR带有候选集感知用户建模的新闻推荐
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。
- SIGIRProFairRec: 新闻推荐中考虑供应商公正性的模型
本文提出了一个公平考虑的新闻推荐框架 ProFairRec，通过学习提供者公平的新闻表征和用户表征，实现了在偏见用户数据中实现不同新闻提供者的公平性。通过对新闻提供者歧视的对抗性学习任务和提供者公平和 - biased 表征的正交正则化，我 - ACL利用正面和负面的隐式反馈进行新闻推荐的去噪神经网络
本文提出了一种名为 DRPN 的神经网络算法，利用正负隐式反馈来提高推荐性能，并通过降噪模块去除正负隐式反馈中的噪声，实现更好的新闻推荐性能。实验表明 DRPN 在大规模数据集上的表现是最先进的。
- 质量感知新闻推荐
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 - Efficient-FedRec: 保护隐私的新闻推荐高效联邦学习框架
本篇论文提出了一种有效的联邦学习框架，用于保护隐私的新闻推荐，通过在服务器上维护一个大的新闻模型和在服务器和客户端共享的轻量级用户模型来分解新闻推荐模型，实现了客户端的计算和通信成本的降低，并通过隐私保护的安全聚合方法对梯度进行聚合。
- ACLHieRec: 面向个性化新闻推荐的层次化用户兴趣建模
该研究提出了 HieRec，一种基于层次化用户兴趣模型的新闻推荐方法，使用三级层次结构表示用户的兴趣，并使用层次匹配框架实现更准确的用户兴趣目标定位，实验结果表明该方法能够有效改善个性化新闻推荐的用户建模效果。
- 使用预训练语言模型训练大规模新闻推荐器
本文提出了一个名为 SpeedyFeed 的框架，该框架可以高效地训练基于预训练语言模型的新闻推荐器，并通过轻量级编码流水线实现高数据效率。经过实验证明，SpeedyFeed 可以实现超过 100 倍的训练加速，并展现出高度竞争性的推荐结果 - WWWFeedRec: 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。
- AAAI公平推荐：基于分解对抗学习的公平新闻推荐
本文提出了一种公平感知的新闻推荐方法，通过分解对抗性学习和正交正则化来缓解敏感用户属性带来的偏见，将用户兴趣模型分解为两个组件，用于学习偏差感知和偏差自由的用户嵌入，通过正交正则化来更好地区分偏差自由和偏差感知的用户嵌入，实证结果表明该方法