[發明專利]一種基于興趣感知和用戶相似度的新聞推薦方法

在審

• 申請號: 202210595418.6
• 申請日: 2022-05-29
• 公開（公告）號: CN115098767A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 施重陽;任少君;趙舒鑫
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9538;G06N3/04;G06N3/08
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 王松

本發明涉及一種基于興趣感知和用戶相似度的新聞推薦方法，屬于計算機自然語言處理技術領域。本方法首先通過并行卷積神經網絡對新聞的標題、正文和實體進行學習以獲得初始新聞表征。然后通過門控循環單元和嵌入層捕獲并融合用戶短期和長期興趣表征，以全面學習用戶表征。同時，利用雙重注意力機制捕獲朋友對用戶興趣的影響，并通過用戶的不同屬性信息增強用戶的表征。最后，聯合新聞表征、用戶表征和增強的用戶表征進行推薦。本方法充分利用了多種用戶屬性信息，可以獲取到更全面的用戶表征、更準確的用戶偏好表示，提高用戶的滿意度。

技術領域

本發明涉及一種基于興趣感知和用戶相似度的新聞推薦方法，屬于計算機自然語言處理技術領域。

背景技術

隨著互聯網的飛速發展，新聞網站或移動終端APP中的新聞數量越來越多，用戶很難從中挑選自己出真正想要閱讀的新聞，這個問題被稱為信息過載。

新聞推薦技術，可以有效緩解信息過載，幫助用戶從眾多的資源中篩選新聞并推送其可能感興趣的新聞。為了吸引更多的流量到它們的網站，新聞網站和媒體紛紛在其商業系統中嵌入推薦算法，為每個用戶定制新聞，提升用戶體驗。

向新聞讀者推薦適當且相關的新聞，是一項具有挑戰性的任務。不同于其他推薦領域(如推薦電影、音樂和書籍等)，新聞推薦具有閱讀時間短、保質期短、及時性要求非常高以及極易受社交媒體影響等特點。這就要求在進行新聞推薦時，要考慮新聞的報道時間、新穎性、受歡迎程度以及未來趨勢等因素。

新聞推薦領域的另一個重要挑戰是高度動態的用戶行為。新聞讀者可能會有長期或短期的偏好，這些偏好會隨著時間逐漸或突然地演變。另外，由于虛假新聞的存在，導致在進行新聞推薦時候，更加看重新聞內容的質量。

有研究人員將新聞推薦視為一個點擊率預測任務，即，給定一個用戶未讀過的新聞，并預測用戶點擊這個新聞的概率。最早的新聞推薦相關工作，是運用機器學習方法對用戶和新聞文本進行建模。之后，深度學習和自然語言處理技術被用于新聞文本中的語義學習，進一步提高了推薦的準確率。近幾年，研究人員又將注意力集中到了利用“用戶-新聞”的交互數據構建各種圖結構上，嘗試對構建的不同圖信息進行探索，以挖掘更深層的信息。

盡管現有方法在新聞推薦中取得了一定的成效，但是，為了進一步提高新聞推薦的準確性和可解釋性，還需要考慮一些關鍵問題。

首先，在新聞推薦場景中，存在著豐富的用戶屬性信息。異構圖作為一種強大的信息建模方法，已經被廣泛證明可以對推薦系統中復雜的異構信息進行表征，并從基于圖的表示中提取重要知識，從而達到提高性能的目的。因此，通過用戶-新聞交互數據和各種新聞用戶屬性構建異構圖來學習更全面的用戶和新聞表征，對于提高推薦性能是非常有必要的。

其次，目前的新聞推薦模型很少能向用戶提供解釋?？山忉屝缘耐扑]系統有助于提高推薦的有效性和說服力，從而提高用戶的滿意度。

因此，在新聞推薦過程中，利用豐富的輔助信息增強用戶和新聞表征，并給出通俗易懂的推薦解釋，對于提高推薦性能至關重要。

發明內容

本發明的目的是為了克服現有的新聞推薦方法未能全面利用用戶屬性信息、可解釋性不足等缺陷，創造性地提出一種基于興趣感知和用戶相似度的新聞推薦方法，能夠顯著提高新聞推薦性能并提高推薦可解釋性。

本方法的創新點在于：從新聞角度出發，挑選用戶地域、使用設備和閱讀環境等用戶屬性信息，聯合“用戶-新聞”交互數據來構建異構圖，并挖掘用戶的長短期興趣進行推薦。

首先，通過并行卷積神經網絡對新聞的標題、正文和實體進行學習以獲得初始新聞表征。然后，通過門控循環單元和嵌入層捕獲并融合用戶短期和長期興趣表征，以全面學習用戶表征。同時利用雙重注意力機制捕獲朋友對用戶興趣的影響，并通過用戶的不同屬性信息增強用戶的表征。最后，聯合新聞表征、用戶表征和增強的用戶表征進行推薦。