基于用户点击偏好和阅读满意度的个性化新闻推荐技术

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

建模用户的兴趣对于进行精准的新闻推荐至关重要。现有新闻推荐方法通常会根据用户的点击行为来推断其兴趣。但是，用户点击感兴趣的新闻标题后，可能并不满意新闻内容。因此，在许多情况下，用户会快速关闭新闻页面。面对该现象，讲者提出从两个方面对用户兴趣进行建模：基于新闻标题的点击行为和基于新闻内容的阅读行为。讲者提出了一种个性化阅读速度的指标，来衡量用户对新闻内容的满意程度。讲者提出通过用户点击新闻的标题、阅读新闻的内容以及对这些新闻的满意度，来建模用户对新闻的兴趣。此外，讲者提出使用两个监督任务对用户进行训练，即基于标题的点击预测和基于新闻内容满意度预测，从而使得模型推荐的新闻不仅更可能会被点击，还更能使用户满意。在真实数据集上的广泛实验，验证了模型的有效性。

武楚涵：清华大学电子工程系博士生，主要研究方向为自然语言处理，用户建模和推荐系统，目前已在ACL、IJCAI、KDD、AAAI、EMNLP、WSDM、NAACL和CIKM等学术会议上发表或录用论文若干。

一、背景

1、 个性化新闻推荐

随着时代的进步，人们获取新闻的渠道已经从报纸、电视发展到手机APP等在线新闻平台。然而，由于新闻平台的展示空间以及用户的时间十分有限，每天产生的数以百万计的新闻需经过筛选才能被展示。常用的新闻选择方法有两种：根据人类编辑进行选择或者根据用户兴趣进行选择。由于用户兴趣具有差异性，基于用户兴趣的个性化新闻展示往往具有更好的用户体验。在这一过程中，个性化新闻推荐技术至关重要。

一种典型的个性化新闻推荐流程如图1所示。用户访问一个新闻网站，新闻网站根据用户兴趣信息从新闻池中召回一批候选新闻，再采用个性化新闻推荐算法对召回的新闻进行排序，选择排名靠前的一部分新闻展示给用户。用户在新闻页面的行为（点击和阅读等）会被记录去更新用户的信息。循环反复后，积累的用户个性化数据越来越多，推荐往往也就越来越精准。