- CIDER: 基于类别的意图解缠方法实现准确的个性化新闻推荐
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 - 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。
- 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。
- 个性化新闻推荐:方法与挑战
本文全面总结了个性化新闻推荐的技术与挑战,阐述了解决每个核心问题的技术及其所面临的挑战,介绍了公开数据集和评估方法,讨论了提高个性化新闻推荐系统的责任感的关键点,提出了值得进一步研究的几个方向,以期帮助读者全面了解该领域。
- ACLPP-Rec: 新闻推荐与个性化用户兴趣和时间感知新闻热度
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。
- SIGIR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。
- SIGIR利用预训练语言模型增强新闻推荐
本文介绍了使用预训练语言模型进行个性化新闻推荐的方法,通过离线实验结果表明,该方法在英语和全球市场上都取得了显著的点击和页面查看量的提高,关键词包括个性化新闻推荐、文本建模、预训练语言模型、新闻建模和离线实验结果。
- 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。
- 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。
- ICML加速上下文强化学习的分层探索
本文提出了一种粗到细的分层方法,通过编码先验知识显著减少了探索用户反馈所需的工作量,其效果得到了广泛模拟和用户研究的证明,适用于个性化新闻推荐。