基于事件抽取的神经新闻推荐

在线新闻推荐的一个关键挑战是帮助用户找到他们感兴趣的文章。传统新闻推荐方法通常使用单一新闻信息，不足以编码新闻和用户表示。近期研究使用多通道新闻信息，例如标题、类别和正文，来增强新闻和用户表示。然而，这些方法仅使用各种注意力机制融合多视角嵌入，未考虑深入挖掘上下文所含的高层信息。这些方法在词级别编码新闻内容，并在推荐网络中联合训练注意力参数，导致需要更多语料来训练模型。我们提出一种基于事件抽取的新闻推荐(EENR)框架以克服这些缺陷，利用事件抽取抽象高层信息。EENR还采用两阶段策略以减少推荐网络后续部分的参数。我们在第一阶段用外部语料训练事件抽取模块，并将训练好的模型应用于新闻推荐数据集以预测事件级信息，包括事件类型、角色和论元，在第二阶段。然后我们融合多通道信息，包括事件信息、新闻标题和类别，来编码新闻和用户。在真实世界数据集上的大量实验表明，我们的EENR方法能有效提升新闻推荐性能。最后，我们也探讨了利用更高抽象层级信息替代新闻正文内容的合理性。