News Recommendation with Candidate-aware User Modeling论文阅读笔记

Abstract

存在的问题：

​ 现有的新闻推荐方法通常从历史点击的新闻中建模用户的兴趣，而不考虑候选新闻。然而，每个用户通常都有多个兴趣，并且这些方法很难准确地匹配一个候选新闻与特定用户的兴趣。

解决方案：

​ 在本文中，我们提出了一种候选感知的用户建模方法，该方法可以将候选新闻纳入到用户建模中，以更好地匹配候选新闻和用户兴趣。我们提出了候选感知的自我关注网络，该网络以候选新闻为线索来建模候选者感知的全球用户兴趣。此外，我们还提出了候选感知的 CNN 网络，将候选新闻纳入局部行为的上下文建模中，学习候选者感知的短期用户兴趣。此外，我们使用一个候选人感知的注意力网络来聚合之前点击的新闻，并根据它们与候选新闻的相关性进行加权，以构建候选感知的用户表示。

Introduction

​ 我们的工作的动机来自以下观察结果。首先，用户通常会有多种兴趣。例如，如图1所示，我们可以从用户点击的新闻中推断出该实例用户对许多不同的领域感兴趣，如政治、音乐、体育和旅游。然而，一个候选新闻通常只匹配用户感兴趣的一小部分。例如，第4条候选新闻只匹配用户对政治的兴趣，而它与该用户的其他兴趣，如音乐和体育，之间的相关性较低。因此，如果在用户建模中不考虑候选新闻信息，则可能很难准确地匹配候选新闻。

​ 其次，用户新闻点击行为的本地上下文对于推断短期用户兴趣是很有用的。例如，如图1所示，我们可以从第12次和第13次新闻点击的相关性推断出用户最近在威斯康辛州旅行的旅游兴趣。

​ 第三，用户历史点击之间的长期关联也为丰富的信息提供了长期用户的兴趣。例如，我们可以从第5次和第10次点击之间的长期相关关系中推断出用户对音乐的长期兴趣。因此，了解短期和长期的用户兴趣对于准确的新闻推荐是很重要的.

​ 在本文中，我们提出了一个候选感知的个性化新闻推荐用户建模框架（CAUM），该框架可以将候选新闻信息整合到用户建模中，以实现准确的兴趣匹配。

​ 首先，我们提出了一个候选感知的自注意网络来学习候选感知的全局用户兴趣表示。它使用候选新闻表示来指导历史点击新闻之间的全球关联的建模。

​ 此外，我们提出了一个候选感知的CNN网络来学习候选感知的短期用户兴趣表示。它将候选新闻信息整合到对点击行为的本地上下文的建模中。

​ 最后，我们采用候选感知的注意网络，根据点击新闻与候选新闻的相关性对其进行加权，学习候选人感知的用户兴趣表示，以更好地匹配候选新闻。

Method

​ 本文算法的框架如下：

候选感知的的用户建模

​ 在本节中，我们将介绍候选感知的用户兴趣建模框架，它可以利用候选新闻来指导用户兴趣建模。它将用户最近的