建模动态用户兴趣：一种神经矩阵分解方法

近年来，理解用户在线内容消费模式引起了极大关注。但此类数据的非结构化、高维和动态特性使得提取有价值的洞察十分困难。这里我们提出一种模型，它结合了矩阵分解的简洁性与神经网络的灵活性，以从与消费者在线消费模式相关的大规模文本数据集合中高效提取非线性模式。我们的模型将用户的内容消费历程分解为非线性用户因子和内容因子，用于建模其动态兴趣。这种自然的分解使我们能够用一组潜在内容属性上的动态概率加权来概括每个用户的内容消费历程。该模型估计快速、易于解释，并可将外部数据源作为经验先验加以利用。这些优势使我们的方法非常适合现代数据集带来的挑战。我们使用我们的模型来理解《波士顿环球报》读者五年间的动态新闻消费兴趣。包括众包评估在内的详尽定性研究突显了我们的模型准确识别细微且连贯消费模式的能力。这些结果得到了我们的模型相对于若干竞争性基线方法具有优越且鲁棒的预测性能的支持。