基于用户评论的社会化媒体新闻推荐系统研究

这是一篇关于新闻推荐,社会化媒体,用户评论,信息检索,推荐系统的论文, 主要内容为社会化媒体是一种给予用户极大参与空间的新型在线媒体,它使得每个用户都具有创造和传播信息的能力。互联网技术的不断发展使社会化媒体展现出极强的生命力,Web成为社会化媒体的一种重要的传播媒介手段之一。社会化媒体包含互联网论坛、博客、Twitter、Wikis、PostCast、即时消息、社交网络和内容社区等。社会化媒体的一种重要形式就是信息自发布或者客户生成媒体。在自发布中,用户可以发布一篇文章或者张贴新闻报道跟其他用户共享,其他用户可以阅读和评论,并且他们的评论还可以被其他人评论。新闻报道的自发布使得新闻报道呈现出时效性强、数量大、增量快、范围广等特点。本文所研究的基于用户评论的社会化媒体新闻推荐系统在进行新闻推荐时考虑了新闻报道本身和用户发表的相关评论,使得新闻推荐更多的考虑了用户的兴趣偏好。 本文在第二章介绍了跟本文研究相关的基础和背景。从新闻推荐系统概述讲起,介绍了目前新闻推荐的发展现状和存在的不足,分析了本文提出的基于用户评论的新闻推荐系统的研究必要性;然后介绍了信息、检索的相关知识,详细介绍了信息检索的相关技术—PageRank算法的实现和基于Java的全文检索工具Lucene的相关概念和原理,以及在本文研究中PageRank算法和Lucene工具的应用；接着介绍了话题检测与跟踪领域的相关知识和核心技术,包括话题模型的构建,话题检测与跟踪技术研究现状；再次介绍了相关语言模型的概念及其核心技术,相关语言模型是本文研究中新闻检索系统模型的基础;接着对目前图形用户界面的相关研究进行了介绍,介绍了本文的新闻推荐系统图形用户界面的特点；在本章最后详细阐述了本文研究的基于用户评论的新闻推荐系统的创新和特色之处。 本文在第三章详细介绍了新闻推荐系统的设计。本文利用基于图的模型说明了新闻报道相关评论的三种关联关系,即内容关联、回复关联和引用关联,建立了评论的内容关联矩阵、回复关联矩阵和引用关联矩阵,然后对三个矩阵进行合并得到评论间的多关联亲和矩阵,根据得到的多关联亲和矩阵计算评论间的归一化权重,利用PageRank算法计算得到评论的排序,在本节末尾详细阐述了评论得分的相关算法；在本章第二节介绍了话题轮廓文件的构建。话题轮廓文件是由新闻报道轮廓文件和评论轮廓文件经过合成器合成而得到的。在建立新闻轮廓文件时,本文根据词频TF和文档反转频率IDF计算得到新闻文档中每个词项的标准TF/IDF值,然后根据标准的TF/IDF值得到每个词项的权重,并把该词项和其权重对应输出,得到新闻报道轮廓文件。在建立评论轮廓文件时,本文对每条评论的每个词项求得权重,然后将所有评论的该词项的权重乘以评论得分排序,从而得到该词项的最终权重,最后将该词项和其权重对应输出,得到评论轮廓文件。本文将新闻报道轮廓文件和评论轮廓文件进行合并,得到话题轮廓文件；本章第三节阐释了相关语言模型技术,本文利用相关语言模型建立新闻推荐系统检索模型,进行相关新闻报道的检索；在本章末尾介绍了呈现给用户的新闻推荐系统用户界面,对图形用户界面的操作和组件意义进行了说明。 本文在第四章详细介绍了实验设计和实验评价。实验数据采用来自Digg网站的新闻报道及其评论,被推荐新闻来自Reuters新闻网站。新闻推荐系统性能评价采用准确率和新颖性来度量。对系统可靠性的验证进行了相关论证。本文设计了三个实验来验证本文提出的合并新闻报道和评论的话题轮廓文件对于新闻推荐系统的性能影响。同时,本文还在本章设计了相关实验用于验证本文提出的基于图的模型的评论得分的影响程度。经过实验验证进一步得出本文提出的新闻推荐系统的优越性能。 本文的最后章节对本文的研究工作进行总结和未来的研究工作进行展望。总结包括本文研究的新闻推荐系统的整体设计和系统的具体实现,并且指出了系统存在的不足和缺陷；展望主要是针对本文提出的新闻推荐系统未来的研究内容,同时也展望了本文的研究框架应用于其他领域的研究。

基于知识增强和偏好融合的个性化新闻推荐研究

这是一篇关于推荐系统,新闻推荐,知识图谱,图神经网络,长短期兴趣的论文, 主要内容为互联网中的新闻数据更新速度非常的快,面对互联网中海量的新闻,如何快速且准确的向用户推送他们感兴趣的新闻就成为了新闻推荐亟需解决的问题。在浏览新闻时,新闻标题对用户往往有着较大吸引力,这说明用户对新闻标题比较敏感。同样,新闻标题中的关键词经常能够反映新闻的主题。所以说在个性化新闻推荐中,标题具有重要的研究意义。与一般商品属性不同,新闻包含丰富的文本和事实信息,一定程度上可以对新闻标题中的内容进行补充。因此,如何基于这些可知信息准确地对用户进行推荐成为新闻推荐研究的主要方向。另外,在浏览新闻时,用户对不同新闻类别的兴趣多样性导致兴趣可能发生转变,这会对新闻推荐产生影响。目前大多数新闻推荐模型将用户的历史浏览记录直接视为用户兴趣,但潜在兴趣很难通过显式行为反映出来。此外,用户兴趣是动态变化的,捕捉用户兴趣的动态性对于特征表示很重要。虽然兴趣之间相互影响,但每个兴趣都有自己的进化历程。若不考虑兴趣之间的关联性,会影响用户兴趣的有效表达,从而影响新闻推荐的准确性。为了解决上述问题,本文主要完成了以下工作:(1)基于知识增强和注意力机制的新闻推荐模型研究本文通过改进得到了一个新的模型——基于知识增强和注意力机制的新闻推荐模型(KEAN)。KEAN模型利用知识图谱和图注意力网络来捕捉新闻标题中的实体及其上下文信息,以学习新闻的特征表示。同时,引入多层注意力网络来建模用户的当前兴趣,根据新闻标题处理后的输出,利用注意力机制计算用户点击行为对候选新闻的影响,从而对用户当前的兴趣进行建模。实验证明,本文提出的KEAN模型在Adressa-1week数据集和Adressa-10weeks数据集上均展现了良好的效果,并且与表现最好的基线模型(CVAR)相比在Adressa-1week数据集上,KEAN模型在F1指标提高了1.2%,在AUC指标提高了1.6%;在Adressa-10weeks数据集上,F1指标提高了1.4%,AUC指标提高了1.1%。与近三年的新闻推荐模型相比,F1指标提高了1.1%～2.5%,AUC指标提高了1.2%～2.7%。这也说明该模型中新闻实体的丰富以及用户兴趣的挖掘能够充分提高推荐的准确性。(2)基于增强用户兴趣的新闻推荐模型研究在现有的KEAN模型基础上,为了解决用户兴趣转变和候选新闻高阶表示的问题,本文通过改进得到了一种新的新闻推荐模型,即基于增强用户兴趣的新闻推荐模型(News EUI)。为了充分利用用户与新闻的交互信息,并获取完整的用户浏览信息和候选新闻的高阶编码,本文首先构建了用户-新闻交互图,显式地表示新闻与用户之间的连接性。接着,采用多层的图卷积网络(GCN)在图结构上进行学习,从而得到稳定且长期的用户兴趣表示以及具有高阶表示的候选新闻。此外,考虑到用户兴趣的变化对推荐结果的影响,本文引入了门控循环网络(GRU)和带有自注意力更新门的门控循环网络(SAUGRU),用于提取用户的短期兴趣,从而丰富模型在数据稀疏情况下对用户偏好的表示,并提高推荐结果的可解释性。通过在Adressa-1week数据集和Adressa-10weeks数据集上的实验证明,News EUI模型在性能上优于KEAN模型。特别是在数据量较少的情况下,该模型的性能提升更为明显,从而验证了通过使用交互图可以有效解决数据稀疏问题。与其他近三年的先进新闻推荐模型相比,在Adressa-1week数据集上,F1指标的提升幅度为1.07%～3.79%,AUC指标的提高幅度为1.37%～3.72%;在Adressa-10weeks数据集上,F1指标的提升幅度为1.33%～4.92%,AUC指标上的提升幅度为1.31%～2.74%。

基于梯度提升决策树的个性化新闻推荐

这是一篇关于新闻推荐,决策树,逻辑回归,点击率,时间因子的论文, 主要内容为随着科技的不断发展,人们越来越依赖手机和电脑来获取信息。用户对冗杂的新闻有千差万别的需求,满足用户需求的个性化推荐是一个值得探讨的热点。目前针对新闻推荐领域的研究,主要运用卷积神经网络和自注意力机制,这种机制主要偏向于文本特征,对于时效性强、话题度多的新闻领域,忽略了更有价值的属性特征,如分类和时间,从而降低了推荐准确度。本文针对这一问题,从新闻本身特征及用户兴趣偏好,提出了基于梯度提升决策树和逻辑回归的个性化推荐框架,主要研究工作包括:(1)提出了面向新闻领域的混合推荐框架。该框架使用了梯度提升决策树GBDT(Gradient Boost Decision Tree)和逻辑回归LR(Logistic Regression)算法,根据候选新闻已有特征,如分类、标题、内容等,作为新闻表示。根据用户历史行为,组合成用户表示,组合输入到点击预估表示中,计算出用户对新闻的最终偏好,从而得出个性化推荐列表。对比已有框架,本文提出的框架在多项指标上如召回率、精确率等均有提升,并降低了因数据稀疏性带来的影响。(2)提出了均衡流行度与新颖性的新闻推荐算法。该算法根据用户对新闻集合的点击行为进行聚类,划分候选新闻到热库与新库,热库即为整体点击率高的序列,新库即为尚未点击,但是预测点击率高的序列。赋予各新闻热度值,与推荐列表融合,得到针对用户的个性化推荐列表。对比已有推荐算法,本文提出的算法提高了推荐准确性。(3)提出了融合时间因子的动态新闻推荐算法。该算法利用用户访问新闻序列的点击时间,及用户访问新闻的停留时间,分别融入两种时间因素到新闻表示和用户表示中,以满足新闻对于时效性的要求,改善不同时间段用户兴趣的偏移度。对比已有推荐算法,本文提出的算法提升了对于用户兴趣偏移的预测精准程度。本文使用了新闻推荐算法领域常用的微软新闻数据集MIcrosoft News Dataset(MIND),通过实验有效表明本文所提出的框架和算法的优越性。为减小数据稀疏性的影响、提高推荐时效性、聚焦用户兴趣变化,本文从新闻推荐原理出发,详细阐述具体推荐流程,为今后新闻领域的研究提供一定的借鉴意义。

基于知识增强和偏好融合的个性化新闻推荐研究

这是一篇关于推荐系统,新闻推荐,知识图谱,图神经网络,长短期兴趣的论文, 主要内容为互联网中的新闻数据更新速度非常的快,面对互联网中海量的新闻,如何快速且准确的向用户推送他们感兴趣的新闻就成为了新闻推荐亟需解决的问题。在浏览新闻时,新闻标题对用户往往有着较大吸引力,这说明用户对新闻标题比较敏感。同样,新闻标题中的关键词经常能够反映新闻的主题。所以说在个性化新闻推荐中,标题具有重要的研究意义。与一般商品属性不同,新闻包含丰富的文本和事实信息,一定程度上可以对新闻标题中的内容进行补充。因此,如何基于这些可知信息准确地对用户进行推荐成为新闻推荐研究的主要方向。另外,在浏览新闻时,用户对不同新闻类别的兴趣多样性导致兴趣可能发生转变,这会对新闻推荐产生影响。目前大多数新闻推荐模型将用户的历史浏览记录直接视为用户兴趣,但潜在兴趣很难通过显式行为反映出来。此外,用户兴趣是动态变化的,捕捉用户兴趣的动态性对于特征表示很重要。虽然兴趣之间相互影响,但每个兴趣都有自己的进化历程。若不考虑兴趣之间的关联性,会影响用户兴趣的有效表达,从而影响新闻推荐的准确性。为了解决上述问题,本文主要完成了以下工作:(1)基于知识增强和注意力机制的新闻推荐模型研究本文通过改进得到了一个新的模型——基于知识增强和注意力机制的新闻推荐模型(KEAN)。KEAN模型利用知识图谱和图注意力网络来捕捉新闻标题中的实体及其上下文信息,以学习新闻的特征表示。同时,引入多层注意力网络来建模用户的当前兴趣,根据新闻标题处理后的输出,利用注意力机制计算用户点击行为对候选新闻的影响,从而对用户当前的兴趣进行建模。实验证明,本文提出的KEAN模型在Adressa-1week数据集和Adressa-10weeks数据集上均展现了良好的效果,并且与表现最好的基线模型(CVAR)相比在Adressa-1week数据集上,KEAN模型在F1指标提高了1.2%,在AUC指标提高了1.6%;在Adressa-10weeks数据集上,F1指标提高了1.4%,AUC指标提高了1.1%。与近三年的新闻推荐模型相比,F1指标提高了1.1%～2.5%,AUC指标提高了1.2%～2.7%。这也说明该模型中新闻实体的丰富以及用户兴趣的挖掘能够充分提高推荐的准确性。(2)基于增强用户兴趣的新闻推荐模型研究在现有的KEAN模型基础上,为了解决用户兴趣转变和候选新闻高阶表示的问题,本文通过改进得到了一种新的新闻推荐模型,即基于增强用户兴趣的新闻推荐模型(News EUI)。为了充分利用用户与新闻的交互信息,并获取完整的用户浏览信息和候选新闻的高阶编码,本文首先构建了用户-新闻交互图,显式地表示新闻与用户之间的连接性。接着,采用多层的图卷积网络(GCN)在图结构上进行学习,从而得到稳定且长期的用户兴趣表示以及具有高阶表示的候选新闻。此外,考虑到用户兴趣的变化对推荐结果的影响,本文引入了门控循环网络(GRU)和带有自注意力更新门的门控循环网络(SAUGRU),用于提取用户的短期兴趣,从而丰富模型在数据稀疏情况下对用户偏好的表示,并提高推荐结果的可解释性。通过在Adressa-1week数据集和Adressa-10weeks数据集上的实验证明,News EUI模型在性能上优于KEAN模型。特别是在数据量较少的情况下,该模型的性能提升更为明显,从而验证了通过使用交互图可以有效解决数据稀疏问题。与其他近三年的先进新闻推荐模型相比,在Adressa-1week数据集上,F1指标的提升幅度为1.07%～3.79%,AUC指标的提高幅度为1.37%～3.72%;在Adressa-10weeks数据集上,F1指标的提升幅度为1.33%～4.92%,AUC指标上的提升幅度为1.31%～2.74%。

基于用户活跃度的新闻推荐算法研究

这是一篇关于新闻推荐,协同过滤,多层感知机,数据降维,聚类的论文, 主要内容为随着信息技术的普及,各大新闻网站每天的新闻资源骤增,为了改善“信息过载”问题,学者们对新闻推荐一课题展开了广泛研究。现有的技术手段多为先提取新闻的特征,然后分析用户的兴趣偏好,从而根据两者的匹配程度进行推荐。值得注意的是,实际生活中的新闻包含的信息形式多种多样,除了文本外还夹杂着图片、视频、链接等内容,这些信息的异构性导致难以在统一的框架中利用这些信息,提取新闻特征的推荐系统变得过于复杂,而单是提取文本特征又不足以全面的刻画新闻。针对上述问题,本文从实际应用角度出发,对新闻推荐进行了研究,主要研究内容如下:不同领域新闻的受众群体呈现不同特性。与其他领域新闻不同的是,关注体育新闻的用户群体会密切关注正在进行的赛事或相关体育新闻,在新闻报导刚刚出现或更新的时候积极提交反馈表达自己观点。针对这类用户反馈行为的时间特征本文使用基于用户的协同过滤推荐算法完成此类新闻推荐。同时使用Scrapy根据应用场景需求编写爬虫采集了虎扑网站上的新闻数据,基于真实新闻数据集进行了仿真,评测了精确率、召回率和F1值。通过在真实新闻数据集上的仿真发现,常用的几种相似度计算方法存在一定弊端,本文提出了结合用户活跃度的相似度计算方法,通过三种方式来计算用户活跃度,并使用基于用户活跃度的协同过滤推荐算法在真实新闻数据集上对新闻推荐的精确率、召回率和F1值进行了计算,并用基于用户的协同过滤推荐作为基线算法进行了对比,结果表明基于用户活跃度的协同过滤推荐算法大幅优于基线算法,具有一定实用价值。基于用户的协同过滤推荐适用于用户兴趣偏好相对稳定的应用场景,而如果考虑到用户兴趣偏好随时间不断偏移的情况时,该方法就存在一定局限性,为此本文提出了基于多层感知机的用户行为多分类的新闻推荐算法,新算法通过对积极反馈的用户行为分类而不是通过计算相似度来挖掘用户潜在关联,将新闻推送给同一类别中的活跃用户进而实现新闻推荐。同样在真实新闻数据集上进行了仿真,分析了新闻推荐的精确率、召回率和F1值,结果表明各项指标与前述算法性能相当,但所用时间与存储空间大幅减少。针对小规模新闻数据集训练多层感知机时可以采用人工标注的方式生成训练集和测试集,但在真实应用场景下,新闻数据集体量大,导致人工标注耗时耗力,为此本文探索实现了机器标注方式来提高效率。分别使用均匀流型近似与投影算法和t分布的随机邻域嵌入算法对数据进行降维再分别使用K均值聚类算法和标签传播算法进行标注来生成训练集和测试集。使用上述两种标注方式训练得到的多层感知机实现新闻推荐,并在真实新闻数据集上对精确率、召回率和F1值进行了评测,结果表明推荐效果略低于人工标注,但标注效率大幅提高。

基于知识图谱的新闻推荐系统的研究与实现

这是一篇关于新闻推荐,知识图谱,用户兴趣向量,文本向量化,卷积神经网络的论文, 主要内容为为用户推荐其感兴趣的新闻内容,已经成为了各大互联网新闻平台的首要技术目标。传统的新闻推荐方法主要是基于用户间的相似度以及新闻内容间的相似度产生推荐列表。以上两种推荐方法虽然有效,但却忽略了新闻文本中存在的语义信息。知识图谱是一种描述实体以及实体之间链接关系的语义网络,基于知识图谱实现精准推荐是推荐系统目前的研究热点。本文基于知识图谱提出了一种用户兴趣向量的计算方法,在此基础上结合先进的卷积神经网络来构建推荐模型。所提出的基于知识图谱的新闻推荐方法,能借助知识图谱提取新闻文本中的部分语义信息,并将其应用于计算用户的兴趣向量,从而产生较好的符合用户语义的推荐结果。本文的主要研究内容及工作如下:(1)知识图谱和相关技术的研究分析。本文研究了知识图谱、推荐技术的基础理论,并归纳介绍了相关研究现状,列举了一些具有代表性的研究成果。(2)通用简易的知识图谱构建。本文使用财新网的新闻数据集,进行预处理并去除停用词后,通过依存句法分析抽取三元组,借助图数据库Neo4j进行知识存储,构建了一个通用知识图谱。(3)基于知识图谱的新闻推荐方法的研究。本文提出了一种基于知识图谱的用户兴趣向量的计算方法,还基于卷积神经网络构建了一个推荐模型,并通过实验验证了这种基于知识图谱的推荐方法的有效性。(4)基于知识图谱的新闻推荐系统的研发。本文以基于知识图谱的推荐方法为核心,设计并实现了基于知识图谱的新闻推荐系统。基于知识图谱的新闻推荐系统主要包含一个客户端和一个管理端,分别为客户端用户和管理端用户提供服务。

基于改进TF-IDF和优化注意力机制的新闻推荐算法

这是一篇关于新闻推荐,词频逆文档,注意力机制,长短期记忆网络的论文, 主要内容为数据的爆炸式增长带来了严重的信息过载问题,而新闻推荐系统可以帮助用户快速,准确的获得有效信息,节省大量的阅读成本。新闻文本特征和用户特征是新闻个性化推荐中最重要的两个因素,因此研究工作主要在自然语言处理和深度学习的基础上围绕这两个方面进行展开,主要工作如下。(1)新闻文本特征方面,提出一种改进的词频逆文档(Term Frequency-Inverse Document Frequency,TF-IDF)的方法,引入熵和特征项的分布信息(Distribution Information,DI),将关键词的一些属性进行计算从而选出更合适的关键词组成文本,以提高新闻文本描述文件的质量。然后将新闻文本的描述文件使用词向量中连续词袋模型(Continuous Bag of Words,CBOW)进行向量化,最后使用弱监督的去噪自编码器对新闻文本的描述文件进行降维,以提升新闻文本特征的新颖性。(2)用户特征提取方面,设计了一种attention-LSTM网络结构。该结构不同于传统的循环神经网络结构,将attention用于在LSTM的输入时刻,即attention的输出是LSTM的输入,同时attention产生的参数对LSTM多个门的开闭产生影响,而且加入对长短期的记忆的计算,结合了每个上下文向量的权重信息以提高对用户历史记录的关注,使得更加符合用户喜好的特征。(3)基于对新闻文本特征提取方法的改进和用户特征提取方法的优化,设计了改进TF-IDF和优化注意力机制的新闻推荐算法。该算法使用改进的TF-IDF方法提取文本特征,最大化满足新闻的新颖性;该算法使用attention-LSTM记录用户的历史喜好,最大化记录用户的兴趣变化趋势。仿真实验表明,根据评价指标F1和AUC,相比于使用TF-IDF和循环神经网络的新闻推荐算法,改进的TF-IDF和attention-LSTM结合的新闻推荐算法有着更好的表现,其中,F1提升了0.029,AUC提升了0.047。

基于深度学习与知识增强的新闻推荐方法研究

这是一篇关于新闻推荐,知识图谱,可信度,RippleNet,实体入度的论文, 主要内容为随着信息技术的快速发展,现如今的社会对推荐系统的要求也越来越高,特别是在推荐的精度方面,如何更加精准的将一个项目推荐给合适的用户是推荐系统的核心要求。然而新闻推荐具有不同于电影,旅游等项目推荐的独特性,在这些推荐领域,推荐系统已经相当完善,要想继续追求更高的精度会产生过高的边际效用,新闻推荐的一大特点就是它具有很高的时效性,一篇新闻文章在一周内的热度会呈指数型下降,如何保证能在新闻文章保持高热度的情况下进行精准推荐是一个热点研究方向。传统的推荐方法在新闻推荐上的成效不容乐观,为了进一步的提高新闻推荐的精度,大量的知识图谱应用于新闻推荐当中,知识图谱的各节点与边能较好的表示文章中各个实体间关系,相较于传统的推荐方法能更好的解决数据稀疏性与冷启动的问题。近年来越来越多的人对新闻推荐有着巨大的研究兴趣,通过对国内外相关研究与参考文献的分析总结,得出目前新闻推荐主要分为非神经网络学习与神经网络学习两种方法,而非神经网络学习的方法基本上是对相似性度量和加权方法的创新,个性化程度低,创新方法简单。在神经网络推荐方法中使用知识图谱进行推荐又是一大热门方向,然而在知识图谱中很少有考虑到关系实体对文章的影响,和在Ripple Net模型中同一层实体的重要性程度问题,而为了解决上述问题,本文使用知识图谱,引入了实体加权与可信度概念来提升新闻推荐的性能。本文的主要贡献体现在以下两方面:(1)提出了一种基于知识增强和可信度识别的新型新闻推荐方法,将新闻文章的知识图谱通过Trans-E方法嵌入至向量空间中,通过实体表示层、上下文嵌入层、信息蒸馏层这三层知识增强模型得到知识增强后的文章向量,然后与用户向量进行链接推荐。在实体表示层引入了可信度概念,通过关系实体可信度识别模型(RTD)将判别出对文章影响近乎为零的,或是可能曲解文章大义的关系实体,将低于可信度阈值的关系实体剔除,从而提升新闻推荐的性能,最后通过实验结果验证出模型的可行性与有效性。使用KRED提供的微软新闻数据集与其他基准模型进行实验对比,验证了RTD模型在新闻推荐上的有效性。(2)提出了一种基于Ripple Net的实体加权新闻推荐模型(R-EW),以用户爱好为原点通过水波模型一层一层向外扩张,构建出一张由用户偏好为原点的知识图谱,提出Ripple Net中每一层实体的重要程度不同的理念,突出了个别实体的重要性,利用Ripple Net的有向边的特性,引入了实体入度的权重计算,得到最终的文章向量与用户向量进行新闻推荐,最后通过实验结果验证出模型的可行性与有效性。通过使用Bing-news数据集验证,与其他基准模型进行实验对比,表明了本文模型在新闻推荐任务中有着优秀的性能,证明了其可行性与有效性。

基于知识图谱和个性化注意力机制的新闻推荐方法研究

这是一篇关于知识图谱,个性化注意力机制,新闻推荐,长短期偏好,卷积神经网络的论文, 主要内容为如今众多在线新闻平台生产着海量新闻,吸引着大量用户阅读。用户想要从海量新闻中去找寻自己所感兴趣的新闻显得十分困难,因此缓解新闻信息的超载,提升用户的体验,推荐给用户真正感兴趣的新闻显得尤为重要。目前在传统的新闻推荐场景面临以下两个挑战:(1)并非所有用户点击的新闻都能反映用户的喜好,同一条新闻对于不同用户的表征应该是不同的,需要考虑用户的兴趣偏好。(2)新闻标题中的不同单词可能具有不同的信息权重,而传统的新闻推荐仅仅通过单个新闻信息来进行学习,忽略了新闻表征中的单词权重,造成推荐效果不佳。为了解决以上问题,本文提出了一种基于知识图谱和个性化注意力机制的新闻推荐方法,主要工作和贡献如下:(1)提出一种基于知识图谱和个性化注意力机制的新闻推荐模型NR-KGPAN(News Recommendation-Knowledge Graph and Personalized Attention Network)。该模型包含用户编码器和新闻编码器两个核心模块。相比较传统的方法,该模型在新闻编码器中加入知识图谱丰富实体信息,将不同类型的新闻数据视作不同新闻视角,通过使用单词级和新闻级的注意力网络来选择重要的单词。在用户编码器中,考虑用户的个性化需求,使用新闻级的注意力机制来选取高信息量的新闻,从而提高最终推荐准确率。(2)考虑到用户的长短期兴趣偏好对当前的推荐有较大的影响,在NR-KGPAN模型的新闻编码器中融入长短期新闻偏好,利用双向时间序列循环神经网络Bi-LSTM(Bidirectional-Long Short-term Memory)捕获文本之间的前后语义关系,在用户编码器中,将CNN与Bi-LSTM的输出共同作为个性化注意力网络层的输入,将输出结果通过门控神经网络GRU(Gate Recurrent Unit)来捕获用户的长短期兴趣偏好。(3)在微软新闻数据集(MIND)上将所提方法与多个基准模型进行对比。利用平均倒数排名(MRR)、模型评估指标(AUC)、归一化折损累计增益(NDGG)作为评价指标。实现结果表明,本文模型在推荐准确率方面上相比基准模型的有明显的提高,证明本文提出模型在新闻推荐中的有效性。