个性化新闻推荐研究进展

在线新闻推荐系统中,个性化新闻推荐是解决新闻信息爆炸问题,帮助用户便捷找到感兴趣新闻的一项重要技术。在过去的研究中,各种新闻推荐技术层出不穷,在提高用户体验上已取得显著成效。但由于在线新闻的多样性、动态性和时效性,新闻推荐仍是亟待发展且具有挑战性的。首先,从传统方法和深度学习方法的角度,对个性化新闻推荐进行展开,并对新闻建模及用户兴趣建模进行归纳总结,分析两类方法的技术特点和不足之处。然后,介绍个性化新闻推荐的数据集和评价方法,对典型新闻和用户兴趣建模方法的效果进行对比。最后,对该领域未来可能的研究方向进行展望。希望能对个性化新闻推荐、自然语言处理和数据挖掘相关领域的研究有所帮助。

基于深度学习的新闻推荐算法研究综述

新闻推荐(NR)可以有效缓解新闻信息过载,是当今人们获取新闻资讯的重要方式,而深度学习(DL)成为近年来促进新闻推荐发展的主流技术,使新闻推荐的效果得到显著提升,受到研究者们的广泛关注。主要对基于深度学习的新闻推荐方法研究现状进行分类梳理和分析归纳。根据对新闻推荐的核心对象——用户和新闻的建模思路不同,将基于深度学习的新闻推荐方法分为“两段式”方法、“融合式”方法和“协同式”方法三类。在每类方法中,根据建模过程中的具体子任务或基于的数据组织结构进行更进一步细分,对代表性模型进行分析介绍,评价其优点和局限性等,并详细总结每类方法的特点和优缺点。另外还介绍了新闻推荐中常用数据集、基线算法和性能评价指标,最后分析展望了该领域未来可能的研究方向及发展趋势。