文献阅读01_基于深度学习的个性化新闻推荐方法研究_20221114

论文信息
Subjects:新闻推荐;长短期用户表示;多视角学习;联合学习;
（1）题目：Attention Is All You Need （你需要的就是关注）

（2）文章下载地址：https://kreader.cnki.net/Kreader/CatalogViewPage.aspx?dbCode=CMFD&filename=1022621300.nh&tablename=CMFDTEMP&compose=&first=1&uid=WEEvREcwSlJHSldSdmVpbEs1TGVZcCtFdWRiVVRoSEpxM09CbTRLQmRFMD0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!

（3）相关代码：无

（4）作者信息：
王京豪 北方工业大学
————————————————

主要研究内容：

1 多视角学习的方法

本文提出一种使用多视角学习的方法来改进新闻编码器，即利用不同类型的新闻信息来学习新闻的特征表示，并将其融合到结合用户长期和短期兴趣表示的用户编码器中，以此来提升新闻推荐的结果。

在新闻编码器中,采用计算机视觉领域常见的多视角学习的方法”，并结合注意力机制，将主题类别、副类别、标题、摘要数据作为不同的新闻视角来学习统一的新闻表示，由于不同类别的信息可能具有不同的信息量，因此加入注意力机制;

用户编码器采用结合用户长期爱好的短期兴趣学习用户表示的方法"，使用GRU网络从用户最近点击过的新闻的表示中学习用户的短期兴趣，从用户ID的嵌入中学习用户的长期爱好，并利用用户的长期爱好初始化GRU网络的隐藏状态。

特征映射方法

本文提出了一种特征映射方法，将不可解释的一般特征映射到可解释的方面特征，消除了对元数据的依赖。同时，使用基于深度学习的方法提出了一种采用联合学习机制综合学习用户表征和新闻特征的模型,模型借此来挑选出用户最感兴趣的新闻特征，进而优化解释语句。 在实现了提高推荐结果准确性的基础上，同时生成较高质量的推荐语句，提升了推荐系统的可信度。

2 两种方法的原理

(1)提出了一种融合长短期用户表示、多特征新闻表示的方法进行个性化新闻推荐。 首先，采用基于协同注意力机制的多视角学习方法构建新闻编码器，从新闻的标题、分类、摘要特征中学习统一的新闻表示; 其次，利用改进的新闻表示在基于长短期兴趣的用户编码器中进一-步细粒度学习用户表示。

(2)提出了一种基于特征映射和多任务联合学习的可解释新闻推荐方法。 首先利用特征映射，将不可解释的一般特征映射到可解释的方面特征，消除了在可解释推荐中对元数据的需求;同时通过一个联合学习模型平衡准确预测和生成解释这两个任务，在生成准确的推荐结果的同时利用两个任务间的隐式信息生成对应的解释语句，实现了推荐的准确性和良好的可解释性。

现有的可解释推荐系统通常进行电影推荐、电商推荐等包含用户评论和评分内容的研究，新闻推荐领域则鲜有可解释推荐系统。

近年来采用深度学习方法的新闻推荐的核心思路是利用神经网络构建-一个新闻编码器和–个用户编码器来学习新闻表示和用户表示，再通过学习得到的新闻特征和和用户特征计算出用户最有可能感兴趣的新闻。

3 两种方法的实现

3.1基于长短期用户表示和多视角学习的新闻推荐

提出了一种融合多视角学习和长短期用户表示的新闻推荐方法,在结合用户长期表示和短期表示的同时从新闻的主题类别、副类别、标题和摘要中联合学习新闻表示。在新闻编码器中使用基于注意力机制的多视角学习方法，将主题类别、副类别、标题和摘要这四类新闻信息看作不同的视角，并应用注意力机制获取其中重要的信息类型和词汇。用户编码器则使用的是基于长短期用户表示的方法，通过改进的新闻编码器学习到的新闻表示来提升获取的短期用户表示，并进一步提升用户编码器效果。在MIND数据集.上的大量实验表明，使用基于用户长短期兴趣的方法学习用户表示，使用基于多视角学习的方法从不同类别的信息汇总学习新闻表示，相比于基线方法可以提升新闻推荐的AUC、MRR和nDCG指标，证明了该方法对于提示新闻推荐准确度的有效性。

3.2基于特征映射和联合学习的可解释新闻推荐

一种基于特征映射和联合学习的可解释新闻推荐方法。特征映射，将不可解释的一般特征映射到可解释的方面特征，消除了对元数据的需求;联合学习模型平衡准确预测和生成解释这两个任务,在用户评分与评论数据较少的新闻推荐领域实现了可用的可解释推荐功能，在推荐预测与解释生成两个任务上均达到了较为令人满意的结果。在MIND数据集.上，使用基于特征映射和联合学习的方法同时进行推荐预测与解释生成任务可以同时对两个任务进行提升,相比于基线方法，本文提出的该方法在推荐准确度的AUC等评价指标、解释语句的BLUE等评价指标上均达到了更好的效果，验证了该方法在推荐准确度和解释语句质量两方面都有所提升。

4.系统的设计与实现

4.1.新闻推荐页实现

预处理后的 MIND 数据集可用于模型训练及推荐效果评估，通过将同样的数据用于本文方法与其它对比算法，使用统一的评价指标计算出预测精准度，使用联合学习模型，在生成推荐结果的同时也生成了对应结果的解释语句，将得到的结果进行规范化处理，再将其存入数据库中。利用得到的数据，可以进行推荐结果的展示。在用户登录后，可以点击系统上方的进入个人中心，进入推荐新闻页，用户可以在该位置看到被推荐的新闻，并通过点击新闻标题或右侧的查看按钮，进入新闻单页查看新闻详情。最终，通过不同的用户登录后查看到对应的推荐新闻及其推荐理由，实现了能够演示个性化新闻推荐效果的展示系统。