本文介绍了FIM模型在新闻推荐系统中的应用，该模型通过多级别用户兴趣表征和卷积神经网络提高兴趣匹配精度。FIM包括News Representation Model、Cross Interaction Model和Click Predictor Model三个部分，利用Hierarchical Dilated Convolution编码新闻特征，并通过交叉乘积和3D CNN捕捉用户与新闻的匹配向量，从而更准确地预测用户点击行为。
Abstract
本篇论文是针对个人新闻推荐系统再提出了一个新的模型——FIM（同样基于神经网络）
- 核心问题： 用户的兴趣与候选新闻二者的精确匹配
- 现有模型存在的问题： 现存的模型都会选择将用户的兴趣表征为一个单独的向量，这样会使用户的很多兴趣表征缺失
- FIM模型的基本构造思路： 不同于之前的模型将用户的兴趣表征为一个联合的向量，FIM模型使用多级别的用户兴趣表征方式使用卷积神经网络来提取用户的多方面的兴趣。
Approach
问题的建模
个人新闻推荐问题可以表述如下，给定用户 u，以及用户 u 的点击新闻历史 Su，然后给定候选新闻 Ci，候选新闻还带有标签 Yi，根据以上给出的数据来求一个模型 g，来通过给出一个用户 u 以及其历史点击新闻 Su 来预测用户是否会点击候选新闻。
Model View
FIM模型分为三部分，News Representation Model、Cross Interac
最低0.47元/天 解锁文章
420
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
