KRED：用于新闻推荐的知识感知文档表示

新闻文章通常包含知识实体，如名人或组织。文章中的重要实体承载着关键信息，并有助于以更直接的方式理解内容。一个工业级新闻推荐系统包含多种关键应用，如个性化推荐、物品到物品推荐、新闻类别分类、新闻热度预测和本地新闻检测。我们发现，引入知识实体以更好地理解文档，能持续地为这些应用带来益处。然而，现有的文档理解模型要么在不考虑知识实体的情况下表示新闻文章（如 BERT），要么依赖于特定类型的文本编码模型（如 DKN），从而导致泛化能力和效率受损。在本文中，我们提出 KRED，这是一种快速且有效的模型，可利用知识图谱增强任意文档表示。KRED 首先通过注意力式地聚合知识图谱中实体邻域的信息来丰富实体的嵌入。然后应用上下文嵌入层来标注不同实体的动态上下文，如频率、类别和位置。最后，信息蒸馏层在原始文档表示的指导下聚合实体嵌入，并将文档向量转换为新的向量。我们主张以多任务框架优化该模型，从而将不同的新闻推荐应用统一起来，并在不同任务间共享有用信息。在真实世界的 Microsoft News 数据集上的实验表明，KRED 极大地惠及了多种新闻推荐应用。