Going Beyond Local: Global Graph-Enhanced Personalized News Recommendations

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 2023-09-26 10:48:56+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CL, cs.IR パーマリンク