基于特征映射和联合学习的可解释新闻推荐

为解决现有个性化推荐系统大多是黑箱模式,无法提供可靠的推荐理由这一问题,对可解释性推荐进行深入研究。为在消除元数据需求的情况下,实现推荐的可解释性和性能之间权衡,提出一种特征映射方法,将不可解释的一般特征映射到可解释的方面特征,该方面特征可用于解释生成;同时使用一个联合学习模型平衡准确预测和生成解释这两个任务,实现推荐中令人满意的准确性和可解释性。通过在真实数据集上的实验,验证了该方法在推荐准确度和解释语句质量两方面都有所提升。

一种基于长短期用户表示和多视角学习的新闻推荐方法

个性化新闻推荐系统可以帮助用户在海量新闻中快速获取感兴趣内容。用户的兴趣有长期和短期之分,新闻信息也分多种类别,而现有的方法往往基于单类别信息学习新闻的表示。基于此,提出一种融合长短期用户表示、多特征新闻表示的方法。采用基于协同注意力机制的多视角学习方法构建新闻编码器,从新闻的标题、分类和摘要特征中学习统一的新闻表示;利用改进的新闻表示在基于长短期兴趣的用户编码器中进一步细粒度学习用户表示。在真实新闻数据集上的实验结果表明,该方法与其他推荐算法相比在准确率上有明显提高。