基于协同新闻编码与结构化用户编码的神经新闻推荐
计算与语言
2021-09-21 v2
摘要
自动新闻推荐已获得学术界与工业界的诸多关注。近期研究揭示该任务的关键在于新闻与用户两者的有效表示学习。现有工作通常分别编码新闻标题与内容，忽视了它们的语义交互，不足以理解新闻文本。此外，先前模型编码用户浏览历史时未利用用户浏览新闻的结构相关性来显式反映用户兴趣。本文中，我们提出一种由协同新闻编码（CNE）与结构化用户编码（SUE）组成的新闻推荐框架，以增强新闻与用户表示学习。CNE 配备双向 LSTM，通过交叉选择与交叉注意力模块协同编码新闻标题与内容，以学习语义交互的新闻表示。SUE 利用图卷积网络提取用户历史的簇结构特征，随后通过簇内与簇间注意力模块学习层次化用户兴趣表示。在 MIND 数据集上的实验结果验证了我们的模型提升新闻推荐性能的有效性。我们的代码发布于 https://github.com/Veason-silverbullet/NNR。
引用
@article{arxiv.2109.00750,
title = {Neural News Recommendation with Collaborative News Encoding and Structural User Encoding},
author = {Zhiming Mao and Xingshan Zeng and Kam-Fai Wong},
journal= {arXiv preprint arXiv:2109.00750},
year = {2021}
}
备注
EMNLP 2021 Findings