CHAMELEON：一种面向新闻推荐系统的深度学习元架构 [博士论文]
摘要
推荐系统（RS）已成为热门研究课题，且自 2016 年以来，深度学习方法与技术在该领域得到日益广泛的探索。新闻推荐系统旨在个性化用户经验，并帮助其从庞大且动态的搜索空间中发掘相关文章。本研究的主要贡献被称为 CHAMELEON，一种为应对新闻推荐特定挑战而设计的深度学习元架构。它由一个模块化参考架构组成，可使用不同的神经构建块实例化。由于新闻领域中关于用户过往交互的信息稀缺，可利用用户上下文以应对用户冷启动问题。文章内容对于应对条目冷启动问题亦十分重要。此外，新闻领域中条目（文章）相关性的时间衰减非常迅速。再者，外部突发新闻事件可能暂时吸引全球读者关注，此现象在机器学习中通常称为概念漂移。所有这些特征在本研究中通过一种使用循环神经网络（RNN）的上下文混合基于会话的推荐方法得到显式建模。本研究处理的任务是基于会话的新闻推荐，即仅利用当前用户会话中可用信息进行下一点击预测。我们提出了一种针对该任务的真实时间离线评估方法，重放新闻门户中持续发布的用户点击流与新文章流。在两个大型数据集上的实验表明，相较于其他传统及最先进的基于会话的推荐算法，CHAMELEON 在准确率、条目覆盖率、新颖性以及缓解条目冷启动问题等许多质量因素上对新闻推荐均有效。
引用
@article{arxiv.2001.04831,
title = {CHAMELEON: A Deep Learning Meta-Architecture for News Recommender Systems [Phd. Thesis]},
author = {Gabriel de Souza Pereira Moreira},
journal= {arXiv preprint arXiv:2001.04831},
year = {2020}
}
备注
Phd. Thesis presented on Dec. 09, 2019 to the Instituto Tecnol\'ogico de Aeron\'autica (ITA), in partial fulfillment of the requirements for the degree of Doctor of Science in the Graduate Program of Electronics and Computing Engineering, Field of Informatics