With the explosion of online news, personalized news recommendation becomes increasingly important for online news platforms to help their users find interesting information. Existing news recommendation methods achieve personalization by building accurate news representations from news content and user representations from their direct interactions with news (e.g., click), while ignoring the high-order relatedness between users and news. Here we propose a news recommendation method which can enhance the representation learning of users and news by modeling their relatedness in a graph setting. In our method, users and news are both viewed as nodes in a bipartite graph constructed from historical user click behaviors. For news representations, a transformer architecture is first exploited to build news semantic representations. Then we combine it with the information from neighbor news in the graph via a graph attention network. For user representations, we not only represent users from their historically clicked news, but also attentively incorporate the representations of their neighbor users in the graph. Improved performances on a large-scale real-world dataset validate the effectiveness of our proposed method.


翻译:随着在线新闻的爆炸,个性化的新闻建议对在线新闻平台越来越重要,以帮助用户找到有趣的信息。现有的新闻建议方法通过新闻内容和用户与新闻的直接互动(例如点击)建立准确的新闻说明和用户陈述而实现个性化,同时忽视用户与新闻之间的高度秩序关系。我们在这里提出了一个新闻建议方法,通过在图表设置中模拟用户的关联性来提高用户和新闻的表述学习。在我们的方法中,用户和新闻都被视为由历史用户点击行为构建的双方图中的节点。对于新闻说明,首先利用变压器结构来建立新闻语义说明。然后,我们通过图形关注网络将它与图中邻居新闻的信息结合起来。关于用户说明,我们不仅代表其历史点击新闻的用户,而且还在图表中仔细地纳入其邻居用户的表述。在大规模真实世界数据集上的改进表现证实了我们拟议方法的有效性。

24
下载
关闭预览

相关内容

【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
100+阅读 · 2019年10月9日
内涵网络嵌入:Content-rich Network Embedding
我爱读PAMI
4+阅读 · 2019年11月5日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Transferring Knowledge across Learning Processes
CreateAMind
26+阅读 · 2019年5月18日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】图上的表示学习综述
机器学习研究会
12+阅读 · 2017年9月24日
Arxiv
10+阅读 · 2019年2月19日
VIP会员
相关VIP内容
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
100+阅读 · 2019年10月9日
Top
微信扫码咨询专知VIP会员