简化基于内容的神经新闻推荐：关于用户建模与训练目标
信息检索
2023-04-07 v1
摘要
个性化新闻推荐的出现催生了日益复杂的推荐系统架构。大多数神经新闻推荐器依赖于用户点击行为，并通常引入专门的用户编码器，将已点击新闻的内容聚合成用户嵌入（早期融合）。这些模型主要采用标准的逐点分类目标进行训练。现有工作存在两个主要缺陷：（1）尽管总体设计同质，但不同模型间的直接比较受限于不同的评估数据集与协议；（2）其对替代模型设计与训练目标的探索极为有限。在本工作中，我们提出一个统一的新闻推荐框架，可在若干关键设计维度上对新闻推荐器进行系统且公平的比较：（i）用户建模中的候选感知，（ii）点击行为融合，以及（iii）训练目标。我们的发现挑战了神经新闻推荐领域的现状。我们表明，用候选与已点击新闻嵌入间参数高效的点积（晚期融合）替代庞大的用户编码器，常带来显著的性能提升。此外，我们的结果使对比训练成为逐点分类目标的可行替代方案。
引用
@article{arxiv.2304.03112,
title = {Simplifying Content-Based Neural News Recommendation: On User Modeling and Training Objectives},
author = {Andreea Iana and Goran Glavaš and Heiko Paulheim},
journal= {arXiv preprint arXiv:2304.03112},
year = {2023}
}
备注
Accepted at the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2023)