基于交互学习的面向神经新闻推荐的历史新闻筛选方法
信息检索
2021-10-14 v1 人工智能
摘要
个性化新闻推荐的关键在于精准且高效地匹配用户兴趣与候选新闻。大多数现有方法将用户兴趣嵌入到一个表示向量中，然后通过将其与候选新闻向量进行比较来进行推荐。在这样的流程中，细粒度匹配信号可能会丢失。近期研究试图通过对候选新闻与用户浏览过的每篇新闻文章之间的细粒度交互进行建模来弥补这一点。尽管有效性有所提升，这些模型在线计算成本却高得多。因此，如何以高效的方式利用有效的交互仍是一个难题。为解决这个问题，我们提出了一种具有学习筛选机制的端到端选择性细粒度交互框架（SFI）。SFI不是将所有历史新闻都输入交互，而是能够快速筛选与候选新闻相关的信息性历史新闻，并将其余新闻排除在后续计算之外。我们使筛选既稀疏又自动，从而分别保证了效率与有效性。在公开数据集MIND上的大量实验验证了SFI相对于最先进方法的优越性：仅筛选五篇历史新闻，它就能比最先进的基于交互的模型在AUC上显著提升2.17%；同时，其速度快四倍。
引用
@article{arxiv.2110.06459,
title = {Learning to Select Historical News Articles for Interaction based Neural News Recommendation},
author = {Peitian Zhang and Zhicheng Dou and Jing Yao},
journal= {arXiv preprint arXiv:2110.06459},
year = {2021}
}
备注
10 pages