面向新闻推荐的用户兴趣阶段性演化建模

个性化新闻推荐高度依赖时效性，因为用户兴趣常由新兴事件、热门话题及不断变化的实际情境驱动。这些动态使得不仅要建模反映稳定阅读习惯和高阶协同模式的长期偏好，还必须建模随时间快速变化的短期、情境依赖性兴趣。然而，大多数现有方法仅使用单一静态交互图，难以捕捉用户行为演化过程中长期偏好模式与短期兴趣变化。为此，我们提出一种统一框架，从全局和局部时序视角学习用户偏好。全局偏好建模组件从整体交互图中捕获长期协同信号，而局部偏好建模组件将历史交互划分为阶段性时序子图，以表示短期动态。在该模块内部，LSTM分支建模近期兴趣的渐进演化，自注意力分支捕获长程时序依赖。大量实验表明，在两大大规模真实数据集上，我们的方法在 diverse user behaviors 和 temporal settings 下均稳居上风，能持续提供更鲜活、更相关的推荐。