内容流推荐中的个性化标题生成框架

最近读了两篇微软亚研院的论文，关于新闻内容流推荐的，简单分享一下，主要包含两部分，第一部分《NPA: Neural News Recommendation with Personalized Attention》主要是怎么实现个性化新闻推荐，第二部分《PENS: A Dataset and Generic Framework for Personalized News Headline Generation》阐述怎么实现个性化标题的生成。

对于个性化标题生成的在业务中的真实作用，实践过的人都会有自己的看法，笔者在这里不做过多评价了，从学习或者了解的角度出发，我们来看看这个方向的研究。

内容推荐作为一个推荐系统的一个子任务，常规推荐的思路，例如协同过滤等当然可以用于内容召回以及候选内容的排序。但是，与传统的稳态推荐任务不同，内容推荐有其特有的挑战。尤其是在新闻内容上，大部分会因为时效性原因无法再被推荐出来，同时会快速地出现新内容，急需推送给需要它的读者，这就带来了严重的Item冷启动问题。这也使得基于协同过滤的方法直接应用于新闻推荐的场景时，有了诸多问题。

在了解上图的基于个性化注意力机制的新闻推荐之前，我们先从可视化的角度来看看论文中一些关于Attention有意思的展示。

从图中可以发现，基于个性化注意力机制的新闻推荐模型能识别和选择重要的Words和News。例如，football、nba这样的词语对于推测新闻的主题很有帮助，因此被高亮，而像 every这样的词语则信息量较低。对于新闻而言，例如第4条新闻被高亮，因为它能够很好地反映用户的兴趣，而如第3和第5条新闻则可能被各种类型的用户浏览，没有兴趣区分度，因此获得了较低的权重。

回过头我们来看看模型架构层面，比较简单，一个将词语序列转化为语义向量序列的词嵌入层，一个用于建模局部上下文的 CNN 层，和一个Word级的Self-Attention，后面是通过內积计算得到候选集中的Item预测分数。负采样方面，将每个用户点击的新闻（视为正样本）搭配 K 个在同一个会话内展示而没有被用户点击的新闻视为负样本。对于这种采样，笔者之前写过挺多的对比总结性文章，有兴趣的同学可以翻翻以往文章，看看这里是不是还有提升改进的可能性。

先放框架，再来聊一聊，从上图比较清晰的发现，左侧Transformer Encoder编码候选集合中的文本信息，然后通过Attention学习正文单词的隐藏表示。而在右侧，就是通过用户点击过的内容得到User Embedding，而个性化层面架构中给出了3种方式，第一种是将User Embedding作为指针网络解码器的初始隐藏状态Decoder Hidden States；第二种是加入左侧的Attention的计算中，区分用户对内容的关注程度；第三种是最右侧的方式，将User Embedding加入到Pgen的计算中。

三种方式的效果如下：

参考资料

• https://www.zhihu.com/question/23644385/answer/914251962
• https://www.microsoft.com/en-us/research/uploads/prod/2021/06/ACL2021_PENS_Camera_Ready_1862_Paper.pdf
• https://zhuanlan.zhihu.com/p/396306358
• https://arxiv.org/pdf/1907.05559.pdf
• GitHub地址：https://msnews.github.io/pens.html

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！