摘要
新闻推荐的目标是根据用户的历史阅读习惯,为用户推送其感兴趣的新闻内容.现有的方法存在特征学习不足的问题,没有考虑到用户与浏览新闻之间的关系,以及不同候选新闻对用户的重要性.针对以上问题提出一种基于知识图谱的新闻推荐神经网络模型.首先使用GloVe模型(Global Vectors for Word Representation)和基于翻译的模型(TransX)分别从新闻语义和知识层面得到文本语义特征、实体特征和实体在知识图谱中的上下文特征.然后,使用LSTM-CNN网络挖掘新闻和用户深层次信息,得到用户的新闻偏好向量,同时引人注意力机制减少新闻无关题材的影响;最后通过点击求和计算用户对候选新闻的偏好值并生成最终的推荐结果.在真实新闻数据集MIND上的实验结果表明,本文所提出的模型相对现有的DKN、DeepFM、DeepWide模型,在AUC、MRR、NDCG@k指标上表现的更优异.
基金项目
湖北省支持企业技术创新发展项目(2021BLB171)
国家自然科学基金(61902116)
NETL
NSTL
维普
万方数据