DebiasedRec：用于个性化新闻推荐的偏差感知用户建模与点击预测

新闻推荐对于个性化新闻获取至关重要。现有新闻推荐方法通常基于用户历史点击新闻推断其个人兴趣，并通过预测未来新闻点击来训练新闻推荐模型。这些方法背后的核心假设是新闻点击行为能够反映用户兴趣。然而在实际场景中，除用户兴趣与新闻内容的相关性外，新闻点击行为还可能受其他因素影响，例如在线平台中新闻展示的偏差。例如，位置更靠前、尺寸更大的新闻通常更易被点击。被点击新闻的偏差会给用户兴趣建模与模型训练带来噪声，从而损害新闻推荐模型的性能。本文提出一种名为 DebiasRec 的偏差感知个性化新闻推荐方法，该方法可处理偏差信息以实现更精准的用户兴趣推断与模型训练。我们方法的核心包括偏差表示模块、偏差感知用户建模模块和偏差感知点击预测模块。偏差表示模块用于建模不同种类的新闻偏差及其交互，以捕捉它们对点击行为的联合影响。偏差感知用户建模模块旨在利用点击新闻文章的偏差信息校准兴趣模型，从而推断出去偏后的用户兴趣。偏差感知点击预测模块用于从有偏点击行为中训练去偏的新闻推荐模型，其中点击分数被分解为表示用户对新闻内容兴趣的偏好分数，以及由其不同偏差特征推断出的新闻偏差分数。在两个真实世界数据集上的实验表明，我们的方法能有效提升新闻推荐性能。