AMM: Attentive Multi-field Matching for News Recommendation论文阅读笔记

Abstract

现存的问题：

​ 个性化新闻推荐是帮助用户找到感兴趣新闻的关键技术，而如何精确匹配用户兴趣和候选新闻是新闻推荐的核心。现有研究一般通过聚合用户浏览过的新闻来学习用户的兴趣向量，然后将其与候选新闻向量进行匹配，这可能会失去文本语义匹配的推荐信号。

提出方法：

​ 在本文中，我们提出了一种用于新闻推荐的多字段匹配（AMM）框架，该框架捕捉每条浏览新闻与候选新闻之间的语义匹配表征，然后将其聚合为最终的用户-新闻匹配信号。此外，我们的方法还结合了多领域信息，设计了领域内和跨领域匹配机制，利用不同领域（如标题、摘要和正文）的互补信息，获得多领域匹配表征。为了实现全面的语义理解，我们采用了最流行的语言模型 BERT 来学习每个浏览-候选新闻配对的匹配表征，并在聚合过程中加入关注机制，以表征每个匹配表征对于最终用户-新闻匹配信号的重要性。

Introduction

​ 再次强调问题，现有的方法大多将每个用户和新闻表示为单一向量，可能会丢失文本匹配信号（如词级关系）。

​ 因此，我们的方法不是简单地将用户浏览的新闻作为一个整体来建模，而是重点关注每一对浏览-候选新闻之间的关系，以捕捉细粒度的语义匹配表示。此外，这种配对设计便于在线服务，匹配表示可以离线存储，避免重复计算。在此，我们首先利用 BERT 学习每个浏览-候选新闻配对在不同语义层次上的匹配表征，然后将它们汇总为最终的用户-新闻匹配信号。

​ 此外，上述方法基于单视角新闻信息或多视角信息来学习新闻之间的语义相关性，这些方法只利用了字段内的语义相关性（如标题-标题、正文-正文）。但有时，跨字段信息（如标题-摘要、标题-正文）可能对新闻匹配有益。例如，