新聞App是人們日常生活中獲取信息來源的重要方式。在2010年左右,國外比較火的新聞App包括Zite和Flipboard等等,而國內比較火的新聞App主要是四大門戶。而隨著今日頭條為代表的新時代新聞推薦產品的火爆,新聞App進入了全新的時代。而科技公司,不管哪一家,只要掌握了高精尖的新聞推薦算法技術,就基本在技術層面掌握了主動權和話語權。
今天,我們來看一篇 RecSys 2023 的最佳長論文提名獎論文 —— Going Beyond Local: Global Graph-Enhanced Personalized News Recommendations。這篇論文提出了一種全新的基于內容相似度計算的算法,用來進行新聞推薦。
該算法的整體架構圖如下圖所示:
我們首先按照如下方式定義新聞文本內容(我們這里只利用新聞標題)的詞向量 X :
新聞的局部詞向量特征可以按照如下方式進行表示:
這個公式是用戶側的特征表示。我們下面定義, 也就是局部實體特征。其實就是把所有的新聞標題拼成一個數組,然后再用上面的公式計算出來。
上面我們介紹的是局部特征表達和用戶側的特征表達。我們下面用 GNN 來表達全局的新聞側特征向量:
全局新聞側特征向量的最終表達其實就是把這些特征向量拼在一起:
整個新聞推薦系統的最終訓練損失函數如下:
下面,我們來看一下實驗對比效果:
經過對比(上表),我們發現我們新設計的算法(GLORY)在許多指標上都要優于同類算法,因此是不可多得的優秀的新聞推薦算法。整個算法設計思路非常簡單,但是卻用到了重量級的深度學習技術。想必作者在設計算法的過程中做了很多手藝類的工作,使得算法最終的效果達到了出類拔萃的程度。
下面是利用不同的 Graph Encoder 給新聞類文本編碼的實驗對比效果。可以看到,使用 GNN 得到的效果最優:
GLORY 是近年來出現的非常優秀的新聞推薦算法。雖然該算法沒有逃脫基于內容的相似度計算的老舊框架,但是新瓶裝舊酒,作者充分利用了新的技術,套在老的套娃里,產生了新的價值。這篇論文,非常值得我們認真學習。