超越局部：全局图增强的个性化新闻推荐

向用户精准推荐候选新闻文章一直是个性化新闻推荐系统的核心挑战。近期大多数工作主要聚焦于使用先进的自然语言处理技术从丰富的文本数据中提取语义信息，采用源于局部历史新闻的基于内容的方法。然而，这种方法缺乏全局视角，未能考虑语义信息之外的用户隐藏动机与行为。为应对该挑战，我们提出一种称为 GLORY（Global-LOcal news Recommendation sYstem，全局-局部新闻推荐系统）的新模型，其将其他用户学习到的全局表示与局部表示相结合，以增强个性化推荐系统。我们通过构建全局感知历史新闻编码器实现这一点，该编码器包含全局新闻图并采用门控图神经网络来丰富新闻表示，从而通过历史新闻聚合器融合历史新闻表示。类似地，我们将该方法扩展到全局候选新闻编码器，利用全局实体图和候选新闻聚合器来增强候选新闻表示。在两个公开新闻数据集上的评估结果证明我们的方法优于现有方法。此外，我们的模型提供了更多样化的推荐。