TrNews：面向新闻推荐的异构用户兴趣迁移学习

我们研究如何解决未来未见用户的跨语料库新闻推荐问题。这是一个传统基于内容的推荐技术常失效的问题。幸运的是，在真实推荐服务中，某些发布者（如每日新闻）可能已积累带有大量用户的大语料库，可用于新部署的发布者（如政治新闻）。为利用现有语料库，我们提出一种用于新闻推荐的迁移学习模型（称为 TrNews），以将知识从源语料库迁移到目标语料库。为应对不同用户兴趣及跨语料库不同词分布的异构性，我们设计了一种基于翻译器的迁移学习策略，以学习源语料库与目标语料库间的表示映射。习得的翻译器可用于未来为未见用户生成表示。我们在真实数据集上的实验表明，TrNews 在四项指标上优于多种基线。我们还表明我们的翻译器在现有迁移策略中是有效的。