融合负反馈的神经新闻推荐
信息检索
2021-01-13 v1
摘要
新闻推荐对在线新闻服务十分重要。精准的用户兴趣建模对个性化新闻推荐至关重要。现有新闻推荐方法通常依赖用户隐式反馈（如新闻点击）来建模用户兴趣。然而，新闻点击未必反映用户兴趣，因为用户可能受标题吸引点击某新闻却对内容感到失望。新闻阅读停留时间是用户兴趣建模的重要线索，因为较短的阅读停留时间通常表明较低甚至负面的兴趣。因此，融入从新闻阅读停留时间推断出的负反馈可提升用户建模质量。本文提出一种可融入隐式负用户反馈的神经新闻推荐方法。我们提出依据阅读停留时间区分正、负新闻点击，并通过 Transformer 与加性注意力网络的组合分别从正、负新闻点击中学习用户表示。此外，我们提出基于候选新闻表示与从正、负新闻点击学到的用户表示之间的相关性，计算正点击分数与负点击分数。最终点击分数为正、负点击分数的组合。另外，我们提出一种交互式新闻建模方法，以考虑新闻标题与正文之间的关联。在真实数据集上的大量实验验证了我们的方法能实现更精准的新闻推荐用户兴趣建模。
引用
@article{arxiv.2101.04328,
title = {Neural News Recommendation with Negative Feedback},
author = {Chuhan Wu and Fangzhao Wu and Yongfeng Huang and Xing Xie},
journal= {arXiv preprint arXiv:2101.04328},
year = {2021}
}