CSRN：用于新闻检索的协同序列推荐网络
信息检索
2020-04-13 v1 机器学习
机器学习
摘要
如今，新闻类应用已取代纸质媒体的流行地位，为个性化服务提供了巨大机遇。基于循环神经网络（RNN）的序列推荐是一种利用用户近期浏览历史预测未来条目的常用方法。该方法的局限在于未考虑新闻消费的社会性影响，即用户可能追随持续变化的热门话题，而某些热点话题仅在特定人群中传播。仅依据用户自身阅读历史难以预测此类社会影响。另一方面，传统的基于用户的协同过滤（UserCF）依据“邻居”的兴趣进行推荐，为弥补基于RNN方法的不足提供了可能。然而，常规UserCF仅使用单一相似度度量对用户间关系建模，过于粗粒度从而限制了性能。本文提出一种深度神经网络框架，将基于RNN的序列推荐与UserCF的核心思想相融合，构建协同序列推荐网络（CSRN）。首先，建立用户的有向共读网络，以在向量空间中捕捉用户间细粒度的特定主题相似性；随后，CSRN模型利用RNN对用户进行编码，并学习关注邻居及汇总其当前正在阅读的新闻；最后，依据用户自身状态与邻居的汇总状态共同推荐新闻文章。在两个公开数据集上的实验表明，所提模型显著优于当前最优方法。
引用
@article{arxiv.2004.04816,
title = {CSRN: Collaborative Sequential Recommendation Networks for News Retrieval},
author = {Bing Bai and Guanhua Zhang and Ye Lin and Hao Li and Kun Bai and Bo Luo},
journal= {arXiv preprint arXiv:2004.04816},
year = {2020}
}