GLoCIM：用于新闻推荐的全局视角长链兴趣建模

准确地向用户推荐候选新闻文章一直是新闻推荐系统的核心挑战。新闻推荐通常需要建模用户兴趣以匹配候选新闻。近期的努力主要集中在从所有用户点击新闻序列构建的全局点击图中提取局部子图信息。然而，提取全局点击图信息的计算复杂度阻碍了利用全局点击图中隐藏在两个远距离节点之间、经由相似用户协作产生的远距离关联。为了解决上述问题，我们提出了用于新闻推荐的全局视角长链兴趣建模（GLoCIM），它将邻居兴趣与从全局点击图中蒸馏出的长链兴趣相结合，利用相似用户之间的协作来增强新闻推荐。因此，我们设计了一个长链选择算法和长链兴趣编码器，以从全局点击图中获取全局视角的长链兴趣。我们设计了一个门控网络来整合长链兴趣与邻居兴趣，以实现相似用户之间的协作兴趣。随后将其与局部新闻类别增强表示聚合，生成最终的用户表示。然后可以形成候选新闻表示以匹配用户表示，从而实现新闻推荐。在真实数据集上的实验结果验证了我们方法的有效性，能够提升新闻推荐的性能。