Neural News Recommendation with Long- and Short-term User Representation（LSTUR)

最新推荐文章于 2024-06-29 22:54:37 发布
最新推荐文章于 2024-06-29 22:54:37 发布
阅读量2.4k 收藏 6
点赞数
分类专栏： Recommendation System
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ChristineC_/article/details/105580307
版权
这篇ACL2019论文提出了一种名为LSTUR的模型，用于新闻推荐。它通过新闻编码器捕捉新闻标题和类目的信息，用户编码器则利用GRU学习用户短期兴趣并结合用户ID的embedding表示长期兴趣。通过在短期兴趣学习中初始化GRU和拼接长短期兴趣向量，模型能够更准确地进行新闻推荐。实验在MSN新闻日志上进行，结果显示LSTUR-con在性能上优于LSTUR-ini。
摘要由CSDN通过智能技术生成

Time：ACL2019会议论文

Author：Mingxiao An, Fangzhao Wu, Chuhan Wu, Kun Zhang, Zheng Liu, Xing Xie

 

Abstract

论文介绍了一种能同时学习用户长期、短期兴趣的方法来推荐新闻。

  • 新闻编码器：从新闻标题和一级、二级类目中学习新闻的表示，并使用注意力机制来选择重要的词
  • 用户编码器：从用户id的embedding中学习长期的用户兴趣；使用GRU网络从用户最近浏览的新闻中学习短期用户兴趣

结合长短期用户兴趣的方法：

  1. 在短期用户兴趣学习中，用长期用户兴趣来初始化GRU网络的隐藏状态
  2. 将长期、短期用户兴趣向量拼接起来作为用户向量

 

Model Architecture

新闻编码器：基于新闻标题、一级类目、二级类目来学习新闻表示

两个子模块：

  • 标题编码器
    • word embedding：把词映射到dense vector，新闻标题t = [w_1, w_2, ..., w_N]
    • CNN：使用CNN从loc
最低0.47元/天 解锁文章
ChristineC_
关注
专栏目录
IDF模型 A Comprehensive Review of Inverse Document Frequency
程序员光剑
08-13 107
作者：禅与计算机程序设计艺术Inverse document frequency (IDF) is a crucial concept in text analysis and information retrieval as it helps to weigh the importance of words that appear frequently but less frequently across documents in a corpus. IDF plays an important role
sigir20-How to Retrain Recommender System A Sequential Meta-Learning Approach
sinat_40147910的博客
07-18 731
sigir20-How to Retrain Recommender System A Sequential Meta-Learning Approach 论文解读 Introduction Recommender systems play an increasingly important role in the current Web 2.0 era which faces with serious information overload issues. The key technique in a
【论文笔记】U-BERT: Pre-training User Representations for Improved Recommendation
BodyCsoulN的博客
12-02 1999
原文作者：Zhaopeng Qiu, Xian Wu, Jingyue Gao, Wei Fan 原文标题：U-BERT: Pre-training User Representations for Improved Recommendation 原文来源：AAAI 2021 原文链接：https://www.aaai.org/AAAI21Papers/AAAI-2116.QiuZ.pdf U-BERT: Pre-training User Representations for Improved Reco
Neural News Recommendation with Long- and Short-term User Representations
sendoh的博客
06-03 775
文章目录Neural News Recommendation with Long- and Short-term User RepresentationsAbstract Neural News Recommendation with Long- and Short-term User Representations Abstract 在新闻推荐中，关键的问题是学习精确的用户表示来捕捉他们的兴趣。Users usually have both long-term preferences and short-
LSTUR：兼顾长期和短期兴趣的新闻推荐算法
最新发布
步子哥的博客
06-29 293
LSTUR 算法是一种兼顾用户长期兴趣和短期兴趣的新闻推荐算法，能够有效提升推荐效果。微软 Recommenders 工具提供了 LSTUR 算法的示例代码，方便用户快速上手并进行实验。
GCN-Based User Representation Learning for Unifying Robust Recommendation and Fraudster Detection
CICI❤️的博客
04-15 702
GCN-Based User Representation Learning for Unifying Robust Recommendation and Fraudster Detection 点击率预测：其主要思想是根据用户的历史行为对一组未评级的项目进行评级预测，然后从预测评级最高的项目中选择个性化推荐。 欺诈检测：推荐系统的评论评级数据通常来自于开放平台，这可能会吸引一群恶意用户故意插入虚假反馈，使推荐系统偏向于自己。（此类攻击的出现可能会违反建模假设，即高质量的数据总是可用的，这些数据真实地反映
Hi-Fi Ark: Deep User Representation via High-Fidelity Archive Network 论文阅读
qq_38355878的博客
10-09 827
借助高保真存档网络的深度用户表示 Hi-Fi Ark: Deep User Representation via High-Fidelity Archive Network 论文链接： https://www.ijcai.org/proceedings/2019/0424.pdf​www.ijcai.org 摘要;** 深度学习在推荐系统中有很多成功的应用，其中一个重要的应用是用户表示（user representation）。深度学习技术在现代推荐系统中得到了广泛的应用，导致了灵活有效的用户表示方式。
WWW2022推荐系统/计算广告论文集锦
张小磊的博客
03-02 2003
嘿，记得给“机器学习与推荐算法”添加星标| 作者：朱勇椿| 单位：中国科学院大学| 研究方向：推荐系统、迁移学习、元学习WWW 2022组委会近日放出了正式接收论文清单。大会共收到了18...
2021-06-05 推荐系统技术演进趋势：召回-＞排序-＞重排
anqi3776的博客
06-05 479
推荐系统技术演进趋势：召回->排序->重排 实际的工业推荐系统，如果粗分的化，经常讲的有两个阶段。首先是召回，主要根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品，然后交给排序环节，排序环节可以融入较多特征，使用复杂模型，来精准地做个性化推荐。召回强调快，排序强调准。当然，这是传统角度看推荐这个事情。 但是，如果我们更细致地看实用的推荐系统，一般会有四个环节，如下图所示： 四个环节分别是：召回、粗排、精排和重排。召回目的如上所述；有时候因为每个用户召回环节返回的物品
一些基于新闻表示和用户表示的新闻推荐模型总结：NPA/ NAML/ LSTUR/ NRMS
qq_42734797的博客
11-16 8193
前言 上上上次组会研一学长汇报了一篇数据集文章：MIND: A Large-scale Dataset for News Recommendation，是微软为新闻推荐而发布的一个数据集。在听汇报时我发现这个数据集非常符合我的需求： 首先，新闻推荐需要处理大量的文本信息，正与我未来方向(NLP)有较大关联 新闻中包含着大量的实体，有利于探索基于知识(知识图谱)的推荐方法 于是乎，我立马自己去找了这个MIND数据集，数据格式等就暂不介绍，有兴趣的可以自己去官网查看。在其论文中，微软官方实现了几个新闻推荐的
基于用户长短期表示的新闻推荐
perfectzxiny的博客
07-15 801
摘要 个性化新闻推荐对于帮助用户发现感兴趣的新闻，提高阅读体验具有重要意义。新闻推荐中的一个关键问题是学习准确的用户表征以获取他们的兴趣。用户通常有长期偏好和短期兴趣。然而，现有的新闻推荐方法通常只学习用户的单一表示，这可能是不够的。 本文提出了一种能同时学习长期和短期用户表示的神经新闻推荐方法。 方法的核心是新闻编码器和用户编码器。 本文的工作是基于这样一种观察：即网络用户对新闻的兴趣是非常多样化的。一些用户兴趣可能会持续很长一段时间，并且对于同一个用户来说是一致的。例如，如果用户是“金州勇士”的粉丝，则
KDD2019|个性化注意力在新闻推荐中的应用
hestendelin的专栏
08-24 983
NPA: Neural News Recommendation with Personalized AttentionChuhan Wu,Fangzhao Wu,Mingxiao A...
诚邀：每日十万+提问，知乎精准推荐如何做得更好？
AI科技大本营
01-11 1286
所有参与投票的 CSDN 用户都参加抽奖活动群内公布奖项，还有更多福利赠送整理 | Jane 出品 | AI科技大本营（ID：rgznai100）1 月 10 日，北京智源人工智能研究...
推荐系统2019-2021顶尖会议论文聚焦
lucas的博客
03-11 3540
推荐系统2019-2021顶尖会议论文聚焦 recommendation & deep learning – AAAI_2020_A Knowledge-Aware Attentional Reasoning Network for Recommendation.pdf – AAAI_2020_An Attentional Recurrent Neural Network for Personalized Next Location Recommendation.pdf – AAAI_2020
新闻个性化推荐综述
hang916的博客
05-07 2470
MIND: A Large-scale Dataset for News Recommendation ACL 2020 0. 摘要 新闻推荐是实现个性化新闻服务的一项重要技术。与已经被广泛研究的产品推荐和电影推荐相比，新闻推荐的研究非常有限，主要是因为缺乏高质量的基准数据集。本文提出了一个名为MIND的新闻推荐大型数据集。MIND由微软新闻的用户点击日志构建而成，包含100万用户和16万多篇英文新闻文章，每篇文章都有丰富的标题、摘要、正文等文本内容。通过对几种最先进的新闻推荐方法的比较研究，证明了MI
【NLP】ACL-2019 录用论文
热门推荐
zkq_1986的博客
09-04 2万+
LONG PAPERS (MAIN CONFERENCE) SphereRE: Distinguishing Lexical Relations with Hyperspherical Relation EmbeddingsChengyu Wang, XIAOFENG HE and Aoying Zhou Learning from Dialogue after Deployment: Fee...
20篇最值得一读的深度推荐系统与CTR预估论文
AI科技大本营
07-09 3151
作者 |深度传送门转载自深度传送门（ID: gh_5faae7b50fc5）微博上近日流传一个段子，“2020年曾是各大科幻片中遥远的未来，但是现在离这个遥远的未来也...
long short-term memory pdf
07-28
长短期记忆（long short-term memory）是一种用于建立和训练循环神经网络（Recurrent Neural Networks）的模型，也是一种用于处理序列数据的有效方法。长短期记忆是循环神经网络的一种变种，通过引入门控机制解决了...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值