Personalized News Recommendation with Knowledge-aware Interactive Matching论文阅读笔记

Abstract

现存的问题：

​ 现有的大多数新闻推荐方法都是从文本内容和用户点击的新闻中分别建立候选新闻模型和用户兴趣模型。然而，一篇新闻可能涉及多个方面和实体，而用户通常有不同的兴趣。对候选新闻和用户兴趣进行独立建模可能会导致新闻和用户之间的匹配度降低。

提出的方案：

​ 我们的方法对候选新闻和用户兴趣进行交互式建模，以促进它们的准确匹配。我们设计了一个知识感知新闻协同编码器，借助知识图谱捕捉点击新闻和候选新闻在语义和实体方面的相关性，从而交互式地学习它们的表征。我们还设计了用户-新闻协同编码器，以学习候选新闻感知的用户兴趣表示和用户感知的候选新闻表示，从而实现更好的兴趣匹配。

Introduction

​ 在本文中，我们探索如何更好地模拟候选新闻与用户兴趣之间的相关性，以实现准确的兴趣匹配。我们的研究基于以下几点。首先，一条候选新闻可能涉及不同的方面和实体，而一个用户可能有多种兴趣。其次，候选新闻和点击新闻的语义匹配有助于更准确地进行兴趣匹配。第三，在知识图谱的帮助下，点击新闻和候选新闻中实体之间的知识匹配也有助于了解用户对候选新闻的兴趣。

​ 本文提出了一种用于个性化新闻推荐的知识感知交互式匹配框架（命名为 KIM）。我们的方法可以对候选新闻和用户兴趣进行交互建模，从而学习候选新闻感知的用户兴趣表示和用户感知的候选新闻表示，从而更准确地匹配用户兴趣和候选新闻。

​ 在该框架中，我们提出了一种知识协同编码器，借助知识图谱，从点击新闻和候选新闻中的实体之间的相关性来模拟用户对候选新闻的兴趣。更具体地说，我们首先提出了一个图协同关注网络，通过选择和聚合对兴趣匹配有参考价值的实体邻域，从知识图中学习实体的表征。

​ 我们还提出了使用实体共关注网络，通过捕捉实体之间的关联性，交互式地学习被点击新闻和候选新闻的基于知识的表征。此外，我们还提出了一种语义共编码器，通过对用户点击的新闻和候选新闻的文本之间的语义关联性建模，交互式地学习基于语义的表征。新闻的统一表征是其知识表征和语义表征的聚合。此外，我们还进一步提出了一种用户-新闻协同编码器，以便从点击新闻和候选新闻的表征中建立候选新闻感知用户兴趣表征和用户感知候选新闻表征，从而更好地模拟用户对候选新闻的兴趣。最后，根据候选新闻表征与用户兴趣之间的相关性对候选新闻进行排序。

Method

​ 本文算法的框架如下：

​ 在本节中，我们将介绍 KIM 的新闻推荐框架，该框架可对候选新闻和用户兴趣进行交互式建模，以实现更好的兴趣匹配。如图 2 所示，KIM 包含两个主要模块。

​ 第一个模块是知识感知新闻协同编码器，它通过捕捉用户点击的新闻和候选新闻在语义和知识层面的相关性，交互式地学习用户点击的新闻和候选新闻的知识感知表征。

​ 第二个是用户-新闻协同编码器，它从知识感知新闻协同编码器生成的用户点击新闻和候选新闻的表征中，交互学习候选新闻感知用户兴趣表征 u 和用户感知候选新闻表征 c。最后，我们根据候选新闻感知的用户兴趣表征和用户感知的候选新闻表征之间的相关性，将候选新闻与用户兴趣进行匹配。接下来，我们将详细介绍各个模块。

知识感知的新闻共编码器

​

​ 在本节中，我们将介绍知识感知新闻协同编码器的框架，它可以交互式地从用户点击的新闻