FUM：面向新闻推荐的细粒度快速用户建模

用户建模对新闻推荐十分重要。现有方法通常先将用户点击的新闻独立编码为新闻嵌入，再聚合成用户嵌入。然而，同一用户不同点击新闻之间词级别的交互包含推断用户兴趣的丰富细节线索，却被这些方法忽略。本文提出一种细粒度快速用户建模框架（FUM），从细粒度行为交互中建模新闻推荐的用户兴趣。FUM的核心思想是将点击新闻拼接为长文档，并将用户建模转化为兼具新闻内与新闻间词级别交互的文档建模任务。由于原始transformer无法高效处理长文档，我们采用名为Fastformer的高效transformer来建模细粒度行为交互。在两个真实世界数据集上的大量实验验证了FUM能高效且有效地建模新闻推荐的用户兴趣。