一次训练，灵活使用：面向多方面神经新闻推荐的模块化框架

近期的神经新闻推荐器（NNRs）通过以下方式扩展基于内容的推荐：（1）在候选新闻与用户历史之间对齐额外方面（如主题、情感），或（2）在这些方面上使推荐多样化。这种定制化是通过将额外约束“硬编码”进 NNR 的架构和/或训练目标中实现的：因此，所需推荐行为的任何改变都需要用修改后的目标重新训练模型。这阻碍了多方面新闻推荐器的广泛采用。在本工作中，我们引入 MANNeR，一个用于多方面神经新闻推荐的模块化框架，支持在推理时对各单独方面进行即时定制化。以基于度量的学习为骨干，MANNeR 学习方面专门化的新闻编码器，然后灵活且线性地将所得的方面特定相似度分数组合进不同的排序函数，从而缓解对模型进行排序函数特定重训练的需求。大量实验结果表明，MANNeR 在标准基于内容的推荐以及单方面和多方面定制化上始终优于最先进的 NNRs。最后，我们验证了 MANNeR 的方面定制化模块对语言和领域迁移具有鲁棒性。