生成式新闻推荐

大多数现有新闻推荐方法通过候选新闻与基于历史点击新闻生成的用户表示之间的语义匹配来解决此任务。然而，它们忽略了不同新闻文章之间的高层联系，也忽视了这些新闻文章与用户之间的深层关系。此外，这些方法的定义决定了它们只能原样交付新闻文章。相反，将几篇相关新闻文章整合成一个连贯的叙述，将有助于用户更快、更全面地理解事件。在本文中，我们提出了一种新颖的生成式新闻推荐范式，包含两个步骤：(1) 利用大型语言模型（LLM）的内部知识和推理能力，执行候选新闻与用户表示之间的高层匹配；(2) 基于相关新闻与用户兴趣之间的关联，生成连贯且逻辑结构清晰的叙述，从而吸引用户进一步阅读新闻。具体而言，我们提出了 GNR 来实现这一生成式新闻推荐范式。首先，我们利用 LLM 生成主题级表示并将其与语义级表示相结合，构建新闻和用户的双层表示。接下来，为了生成连贯的叙述，我们探索新闻关系并根据用户偏好过滤相关新闻。最后，我们提出了一种名为 UIFT 的新颖训练方法，用于训练 LLM 将多篇新闻文章融合成连贯的叙述。大量实验表明，GNR 能够提高推荐准确性，并最终生成更具个性化且事实一致的叙述。