Going Beyond Local: Global Graph-Enhanced Personalized News Recommendations论文阅读笔记

Abstract

现存的问题：

​ 近期的大多数工作主要侧重于使用先进的自然语言处理技术从丰富的文本数据中提取语义信息，并采用基于内容的方法从局部历史新闻中提取信息。然而，这种方法缺乏全局视角，未能考虑到语义信息之外的用户隐藏动机和行为。

解决方案

​ 为了应对这一挑战，我们提出了一个名为 GLORY的新模型，它将从其他用户那里学到的全局表征与局部表征相结合，以增强个性化推荐系统。为此，我们构建了一个全球感知历史新闻编码器，其中包括一个全球新闻图，并采用门控图神经网络来丰富新闻表征，从而通过历史新闻聚合器来融合历史新闻表征。同样，我们将这一方法扩展到全球候选新闻编码器，利用全球实体图和候选新闻聚合器来增强候选新闻表示。

Introduction

​ 传统的新闻推荐方法主要关注的是每个用户的单独阅读历史（即使用单个用户的历史新闻点击序列来构建该用户的表征），缺乏对多个用户的新闻文章和点击的全局边界视图，可能不足以挖掘出更多隐含的隐藏用户行为。

​ 为了解决上述问题，我们提出了一个新模型--GLORY（Global-LOcal news Recommendation sYstem）。由于历史新闻交互数据可以提供比语义相关性更广泛、更隐含的关系信息，我们提出了一种全局感知历史新闻编码器，具体来说，就是利用全局新闻图为历史新闻提供全局视角信息。同时，针对候选新闻的用户行为稀疏问题，我们提出了全局感知候选新闻编码器，利用全局实体图为候选新闻提供更有效的关联。接下来，我们利用多头自关注机制从历史新闻中提取用户兴趣。最终的匹配得分来自用户新闻向量和候选新闻向量。

​ 本文的主要贡献如下：

• 据我们所知，我们首次在新闻推荐领域提出了从全局角度构建同构全局新闻/实体图的方法，从而能够更有效地利用丰富的历史交互信息；
• 我们引入了全局感知历史新闻编码器和全局感知候选新闻编码器，它们分别利用全局新闻图和全局实体图来增强历史新闻和候选新闻的表示；

Method

​ 我们提出的 GLORY 方法侧重于通过利用全局新闻图来增强历史新闻的表示，并通过全局实体图来改进候选新闻的表示。首先，我们从局部视角学习新闻文本和新闻实体的表示。然后，我们采用全局感知历史新闻编码器和全局感知实体新闻编码器。最后，我们采用简明用户编码器和新闻推荐组件。

​ 本文的框架如下：

局部表示

​ 首先，我们需要从新闻文本和新闻实体中学习局部新闻表示h