推荐系统论文笔记---Neural News Recommendation with Attentive Multi-View Learning

一、概述

名称：Neural News Recommendation with Attentive Multi-View Learning
作者：Chuhan Wu, Fangzhao Wu, Mingxiao An, Jianqiang Huang, Yongfeng Huang, Xing Xie
文献类型：IJCAI19
年份：2019
源码网站：https://github.com/wuch15/IJCAI2019-NAML 作者主页：https://wuch15.github.io/
整理日期：2020年5月13日

二、主要解决问题

现有的新闻推荐系统通常只根据一种信息如标题来进行推荐。
=>使用多种信息来进行推荐。
=>新闻编码器+用户解码器。
=>新闻编码器是一个基于attention的multi-view学习模型，可以学习多种新闻表示形式（如标题、正文、主题分类等）。用户解码器是利用attention机制根据用户的浏览记录学习用户的表示。

三、解决思路

1、News Encoder

这一部分的功能是利用各种信息来学习新闻的表示，采用attention机制将各种信息看作是新闻的一个不同视角学习其共同表示。news encoder共有四个组成部分：

（1）title encoder：用于从新闻标题中学习到新闻的表示。

• 第一层：word embedding：通过${\mathbf{W}}_e\in R^{V\times D}$，将新闻标题从单词序列$[w_1^t,w_2^t,...,w_M^t]$转换为一个低维语义向量序列$[{\mathbf{e}}_1^t,{\mathbf{e}}_2^t,...,{\mathbf{e}}_M^t]$，其中M是新闻单词的个数，V是词汇量个数，D是embedding维度。
• 第二层：CNN：通过CNN来学习单词间上下文的表示，第i个单词的上下文表示为:
  $${\mathbf{c}}_i^t=ReLU({\mathbf{F}}_t\times {\mathbf{e}}_{(i-K):(i+K)}^t+{\mathbf{b}}_t)$$
  其中， ${\mathbf{e}}_{(i-K):(i+K)}^t$是(i-K)到(i+K)的单词embedding的拼接，${\mathbf{F}}_t\in R^{N_f\times (2K+1)D}$和${\mathbf{b}}_t\in R^{N_f}$是CNN的核函数和偏移量，$N_f$是CNN的个数，2K+1是他们的窗口大小。
  这一层的输出是单词上下文表示的序列：$[{\mathbf{c}}_1^t,{\mathbf{c}}_2^t,...,{\mathbf{c}}_M^t]$。
• 第三层：word-level attention network：目的是选择出标题中重要的单词。第i个单词的attention权重${\alpha }_i^t$计算如下：
  $$a_i^t={\mathbf{q}}_t^{T}tanh({\mathbf{V}}_t\times <$$