要約
候補となるニュース記事をユーザーに正確に推奨することは、パーソナライズされたニュース推奨システムにとって常に中心的な課題でした。
最近の研究のほとんどは、高度な自然言語処理技術を使用して豊富なテキスト データから意味情報を抽出することに主に焦点を当てており、地域の歴史ニュースから派生したコンテンツ ベースの手法を採用しています。
しかし、このアプローチにはグローバルな視点が欠けており、意味論的な情報を超えたユーザーの隠れた動機や行動を考慮することができません。
この課題に対処するために、私たちは GLORY (Global-LOcal news Recommendation System) と呼ばれる新しいモデルを提案します。これは、他のユーザーから学習したグローバル表現とローカル表現を組み合わせて、パーソナライズされたレコメンデーション システムを強化します。
これは、グローバル対応の歴史ニュース エンコーダを構築することで実現します。これには、グローバル ニュース グラフが含まれ、ゲート グラフ ニューラル ネットワークを採用してニュース表現を強化し、それによって歴史ニュース アグリゲーターによって歴史ニュース表現を融合します。
同様に、このアプローチをグローバル候補ニュース エンコーダーに拡張し、グローバル エンティティ グラフと候補ニュース アグリゲーターを利用して候補ニュースの表現を強化します。
2 つの公開ニュース データセットの評価結果は、私たちの方法が既存のアプローチよりも優れていることを示しています。
さらに、私たちのモデルはより多様な推奨事項を提供します。
要約(オリジナル)
Precisely recommending candidate news articles to users has always been a core challenge for personalized news recommendation systems. Most recent works primarily focus on using advanced natural language processing techniques to extract semantic information from rich textual data, employing content-based methods derived from local historical news. However, this approach lacks a global perspective, failing to account for users’ hidden motivations and behaviors beyond semantic information. To address this challenge, we propose a novel model called GLORY (Global-LOcal news Recommendation sYstem), which combines global representations learned from other users with local representations to enhance personalized recommendation systems. We accomplish this by constructing a Global-aware Historical News Encoder, which includes a global news graph and employs gated graph neural networks to enrich news representations, thereby fusing historical news representations by a historical news aggregator. Similarly, we extend this approach to a Global Candidate News Encoder, utilizing a global entity graph and a candidate news aggregator to enhance candidate news representation. Evaluation results on two public news datasets demonstrate that our method outperforms existing approaches. Furthermore, our model offers more diverse recommendations.
arxiv情報
| 著者 | Boming Yang,Dairui Liu,Toyotaro Suzumura,Ruihai Dong,Irene Li |
| 発行日 | 2023-07-31 11:24:42+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google