基于长短期兴趣建模的图神经新闻推荐
信息检索
2019-11-11 v2 计算与语言
机器学习
机器学习
摘要
随着新闻文章的信息爆炸，个性化新闻推荐对于用户快速找到感兴趣的新闻变得十分重要。现有的新闻推荐方法主要包括依赖直接用户-物品交互的协同过滤方法，以及刻画用户阅读历史内容的基于内容的方法。尽管这些方法取得了良好性能，它们仍受数据稀疏问题困扰，因为其中大多数未能充分利用新闻推荐系统中的高阶结构信息（相似用户倾向于阅读相似新闻文章）。本文提出构建异构图以显式建模用户、新闻与潜在主题之间的交互。引入的主题信息有助于指示用户兴趣并缓解用户-物品交互的稀疏性。随后我们利用图神经网络，通过在图上传播嵌入来学习编码高阶结构信息的用户与新闻表示。所学习的包含完整历史用户点击的用户嵌入捕捉了用户长期兴趣。我们还利用基于注意力的 LSTM 模型，通过近期阅读历史考虑用户的短期兴趣。在真实世界数据集上的实验结果表明，我们提出的模型在新闻推荐上显著优于最先进的方法。
引用
@article{arxiv.1910.14025,
title = {Graph Neural News Recommendation with Long-term and Short-term Interest Modeling},
author = {Linmei Hu and Chen Li and Chuan Shi and Cheng Yang and Chao Shao},
journal= {arXiv preprint arXiv:1910.14025},
year = {2019}
}