FUM: Fine-grained and Fast User Modeling for News Recommendation
用户建模是新闻推荐的重要环节。现有的方法通常首先将用户点击的新闻独立编码成新闻嵌入，然后将其聚合成用户嵌入。然而，这些方法忽略了来自同一用户的不同点击新闻之间的词级交互，其中包含丰富的详细线索来推断用户兴趣。在本文中，我们提出了一个细粒度和快速的用户建模框架（FUM）模型的用户兴趣从细粒度的行为交互的新闻推荐。FUM的核心思想是将被点击的新闻连接成一个长文档，并将用户建模转换为一个文档建模任务，同时具有新闻内部和新闻之间的词级交互。由于普通的Transformer不能有效地处理长文档，我们应用一个高效的Transformer Fastformer来建模细粒度的行为交互。在两个真实数据集上的大量实验验证了FUM能够有效地为新闻推荐建模。
2022-04-10 cs.IR
PP-Rec: News Recommendation with Personalized User Interest and Time-aware News Popularity
个性化新闻推荐方法在在线新闻服务中得到了广泛的应用。这些方法通常基于新闻内容和从历史行为推断的用户兴趣之间的匹配来推荐新闻。然而，这些方法通常难以向冷启动用户做出准确的推荐，并且倾向于推荐与那些用户已经阅读过的新闻相似的新闻。一般来说，热门新闻通常包含重要信息，可以吸引不同兴趣的用户。此外，它们通常在内容和主题上是多样的。因此，在本文中，我们建议将新闻流行度信息，以减轻个性化新闻推荐的冷启动和多样性问题。在我们的方法中，用于向目标用户推荐候选新闻的排名分数是个性化匹配分数和新闻流行度分数的组合。前者用于捕捉个性化的用户对新闻的兴趣。后者用于测量候选新闻的时间感知流行度，其基于新闻内容、新近度和实时CTR使用统一框架进行预测。此外，我们提出了一个流行度感知的用户编码器，以消除用户行为的流行偏见，准确的兴趣建模。在两个真实数据集上的实验表明，该方法能有效地提高新闻推荐的准确性和多样性。
2021-06-10 cs.IR
FeedRec: News Feed Recommendation with Various User Feedbacks
准确的用户兴趣建模对于新闻推荐具有重要意义。现有的大多数新闻推荐方法都依赖于像点击这样的隐式反馈来推断用户兴趣和模型训练。然而，点击行为通常包含大量噪声，并且不能帮助推断复杂的用户兴趣，例如不喜欢。此外，仅基于点击行为训练的提要推荐模型无法优化其他目标，如用户参与度。在本文中，我们提出了一个新闻提要推荐方法，可以利用各种用户反馈，以提高用户兴趣建模和模型训练。我们提出了一个统一的用户建模框架，将各种显式和隐式的用户反馈来推断积极和消极的用户兴趣。此外，我们提出了一个从强到弱的注意力网络，它使用较强反馈的表示来从隐式弱反馈中提取积极和消极的用户兴趣，以进行准确的用户兴趣建模。此外，我们提出了一个多反馈模型训练框架来学习一个具有成就感的提要推荐模型。在真实数据集上的大量实验表明，我们的方法可以有效地提高模型在新闻点击和用户参与方面的性能。
2022-02-04 cs.IR
Simplifying Content-Based Neural News Recommendation: On User Modeling and Training Objectives
提出统一新闻推荐框架，系统比较关键设计维度，发现参数高效的晚期融合和对比训练能显著提升性能并挑战现有方法。
2023-04-06 cs.IR
Using Neural Network for Identifying Clickbaits in Online News Media
York University（约克大学）
在线新闻媒体有时会使用误导性的标题来诱使用户打开新闻文章。这些吸引用户但最终让他们失望的吸引人的标题被称为点击诱饵。由于点击诱饵自动检测在网络媒体中的重要性，许多机器学习方法被提出并用于发现点击诱饵标题。在这项研究中，提出了一个使用深度学习方法的模型来找到Clickbait Challenge 2017数据集中的点击诱饵。该模型在2017年的Clickbait挑战赛中获得了均方误差的第一名。此外，数据分析和可视化技术用于探索和发现所提供的数据集，以从数据中获得更多见解。
2018-06-20 cs.CL cs.CY cs.IR
Personalized News Recommendation with Knowledge-aware Interactive Matching
个性化新闻推荐最重要的任务是候选新闻与用户兴趣的准确匹配。现有的大多数新闻推荐方法都是从文本内容和用户点击的兴趣两方面独立地对候选新闻进行建模。然而，一篇新闻文章可能涵盖多个方面和实体，并且用户通常具有不同种类的兴趣。候选新闻和用户兴趣的独立建模可能导致新闻和用户之间的较差匹配。本文提出了一种基于知识感知的交互式新闻推荐匹配方法。我们的方法交互式模型候选新闻和用户的兴趣，以促进他们的准确匹配。我们设计了一个知识感知的新闻协同编码器，以交互式地学习表示的点击新闻和候选新闻捕捉它们的相关性在语义和实体的帮助下，知识图谱。我们还设计了一个用户-新闻联合编码器来学习候选新闻感知的用户兴趣表示和用户感知的候选新闻表示，以便更好地进行兴趣匹配。在两个真实数据集上的实验验证了该方法能够有效地提高新闻推荐的性能。
2021-06-02 cs.IR
Expanding Click and Buy rates: Exploration of evaluation metrics that measure the impact of personalized recommendation engines on e-commerce platforms
为了确定最适合电子商业业务的推荐模型，应该对购物网站进行实时评估，以实时测量个性化的影响。本文的目的是介绍和证明两个新的指标-点击率NoRepeat和点击购买率-这源于标准的指标，点击率（CTR）和购买率（BTR），分别。前一种变体解决了原始CTR中高估点击量的问题，而后者则说明了之前点击过的产品的购买情况，以验证度量中包含的购买是客户交互的结果。对多个数据集进行两个均值独立性的显著性检验，在每个新度量和其各自的父度量之间，以确定变体的新颖性和必要性。皮尔逊相关系数的计算，以评估线性关系的强度，并得出结论的可预测性因素之间的上述因素，以调查客户点击和购买之间的未知连接。此外，其他指标，如点击每客户，每客户的买家，每客户的点击等介绍，帮助解释客户行为的指标在电子商业网站的参考。
2019-01-20 cs.IR
HieRec: Hierarchical User Interest Modeling for Personalized News Recommendation
用户兴趣建模是个性化新闻推荐的关键。现有的新闻推荐方法通常从每个用户之前的行为中学习单个用户嵌入，以代表他们的整体兴趣。然而，用户兴趣通常是多样的和多粒度的，这是很难被准确地建模的单一用户嵌入。在本文中，我们提出了一个新闻推荐方法与层次用户兴趣建模，命名为HieRec。而不是一个单一的用户嵌入，在我们的方法中，每个用户表示在一个分层的兴趣树，以更好地捕捉他们的多样化和多粒度的新闻兴趣。我们使用一个三层的层次结构来表示：1）整体用户兴趣; 2）用户对体育等粗粒度主题的兴趣; 3）用户对足球等细粒度主题的兴趣。此外，我们提出了一个分层的用户兴趣匹配框架，以匹配候选新闻与不同层次的用户兴趣更准确的用户兴趣定位。在两个真实数据集上的大量实验验证了该方法可以有效地提高个性化新闻推荐的用户建模性能。
2021-06-08 cs.IR
Is it a click bait? Let's predict using Machine Learning
Times Internet Limited（Times Internet有限公司）；Birla Institute of Technology & Science Pilani（比尔拉理工学院皮拉尼分校）
在这个数字化时代，新闻读者倾向于在线阅读新闻。这是因为，在线媒体即时提供了对各种内容的访问。因此，人们不必等到明天的报纸才知道今天发生了什么。除了这些优点，网络新闻也有一些缺点。一个这样的缺点是存在与新闻文章相关的社交媒体帖子（推文），其唯一目的是引起用户的注意，而不是引导他们阅读实际内容。这些帖子被称为点击诱饵。该项目的目标是开发一个系统，该系统能够预测与新文章相关的社交媒体帖子（tweets）有多大可能是clickbait。
2021-06-01 cs.CL cs.IR
News Recommendation with Candidate-aware User Modeling
新闻推荐的目的是将新闻与个性化的用户兴趣相匹配。现有的新闻推荐方法通常从历史点击新闻中建模用户兴趣，而不考虑候选新闻。然而，每个用户通常具有多个兴趣，并且这些方法难以将候选新闻与特定用户兴趣准确地匹配。本文提出了一种候选感知的个性化新闻推荐用户建模方法，该方法可以将候选新闻加入到用户建模中，以更好地匹配候选新闻和用户兴趣。我们提出了一个候选人意识的自我注意力网络，使用候选人的新闻作为线索，模型候选人意识的全球用户兴趣。此外，我们提出了一个候选人感知的CNN网络，将候选新闻纳入本地行为上下文建模，并学习候选人感知的短期用户兴趣。此外，我们使用候选人感知的注意力网络聚合以前点击的新闻加权他们的相关性与候选新闻，以建立候选人感知的用户表示。在真实数据集上的实验表明了该方法在提高新闻推荐性能方面的有效性。
2022-04-10 cs.IR
Algorithms and System Architecture for Immediate Personalized News Recommendations
个性化在许多服务中扮演着重要的角色，就像新闻一样。许多研究已经检查了新闻个性化算法，但很少考虑实际环境。本文提出了在实际环境中生成即时个性化新闻的算法和系统架构。即时性意味着新闻趋势和用户兴趣的变化会迅速反映在推荐新闻列表中。由于新闻趋势和用户兴趣迅速变化，即时性在新闻个性化应用中至关重要。我们开发算法和系统架构来实现即时性。我们的算法是基于用户集群的协同过滤，并评估新闻文章使用点击率和衰减分数的基础上经过的时间，因为用户的最后一次访问。现有的研究还没有充分讨论系统架构，所以本文的一个主要贡献是，我们展示了一个系统架构，实现我们的算法和配置的例子上实现的Amazon Web Services。我们评估所提出的方法离线和在线。离线实验通过来自商业新闻交付服务的真实世界数据集进行，在线实验通过生产环境上的A/B测试进行。我们证实了我们提出的方法的有效性，我们的系统架构可以在大规模的生产环境中运行。
2019-09-03 cs.IR
GLoCIM: Global-view Long Chain Interest Modeling for news recommendation
School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络空间安全学院）；Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）；Zhongguancun Laboratory（中关村实验室）
本文提出GLoCIM方法，通过长链选择算法和编码器从全局点击图提取长链兴趣，并与邻居兴趣融合，解决远距离节点链接利用问题，提升新闻推荐性能。
2024-09-24 cs.AI cs.IR
Personalized Advertisement Recommendation: A Ranking Approach to Address the Ubiquitous Click Sparsity Problem
University of Michigan（密歇根大学）；Adobe Big Data Experience Lab（奥多比大数据体验实验室）
研究了个性化广告推荐问题，即用户访问一个系统（网站），系统向用户显示一个$K$广告。系统使用内部广告推荐策略将用户的配置文件（上下文）映射到其中一个广告。用户点击或忽略广告，相应地，系统更新其推荐策略。PAR问题通常由可扩展的\emph{contextual bandit}算法来解决，其中策略通常基于分类器。PAR中的一个实际问题是极端的点击稀疏性，这是由于很少有用户真正点击广告。系统地研究了基于分类器策略的上下文强盗算法在极端点击稀疏情况下的缺陷。然后，我们提出了一个替代政策，排名的基础上，通过优化曲线下面积（AUC）排名损失，这可以显着缓解点击稀疏的问题。我们在公共数据集以及三个行业专有数据集上进行了广泛的实验，以说明通过使用基于排名的策略比基于分类器的策略获得的点击率（CTR）的改进。
2016-03-06 cs.IR cs.LG
IP2: Entity-Guided Interest Probing for Personalized News Recommendation
本文提出IP2方法，通过在新闻内和新闻间两个层面探测实体引导的阅读兴趣，结合实体编码、对比预训练和双塔用户编码，提升个性化新闻推荐性能。
2025-07-18 cs.IR
Graph Enhanced Representation Learning for News Recommendation
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）
随着网络新闻的爆炸式增长，个性化新闻推荐对于网络新闻平台帮助用户找到感兴趣的信息变得越来越重要。现有的新闻推荐方法通过从新闻内容构建准确的新闻表示以及从用户与新闻的直接交互（例如，点击），而忽略了用户和新闻之间的高阶相关性。在这里，我们提出了一个新闻推荐方法，可以提高表示学习的用户和新闻的相关性建模在一个图形设置。在我们的方法中，用户和新闻都被视为节点的历史用户点击行为构造的二分图。对于新闻表示，首先利用Transformer架构来构建新闻语义表示。然后，我们通过图注意力网络将其与图中邻居新闻的信息相结合。对于用户表示，我们不仅表示用户从他们的历史点击新闻，但也注意到他们的邻居用户在图中的表示。在大规模真实数据集上的性能改进验证了我们所提出的方法的有效性。
2020-03-31 cs.CL cs.IR
Why Do We Click: Visual Impression-aware News Recommendation
Zhejiang University（浙江大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；National university of Singapore（新加坡国立大学）
由于信息过载，人们对新闻推荐研究的兴趣日益高涨。为了准确地捕捉用户的兴趣，我们提出了多模态的功能，除了在现有的作品中广泛使用的新闻标题，新闻推荐。另外，现有的研究在设计多模态建模模块时很少关注点击决策过程。在这项工作中，灵感的事实，用户使他们的点击决定主要是基于他们在浏览新闻时所感知的视觉印象，我们建议捕捉这样的视觉印象信息与视觉语义建模的新闻推荐。具体而言，我们设计了局部印象建模模块，在理解新闻标题语义的同时，兼顾印象中的分解细节，从而更接近用户阅读新闻的过程。此外，我们从全局的角度来考察印象，并将结构信息，如不同领域的安排和不同单词在印象中的空间位置，纳入多模态建模。为了适应视觉印象感知新闻推荐的研究，我们通过添加快照印象图像来扩展文本主导的新闻推荐数据集MIND，并将其发布以滋养该研究领域。与最先进的新闻推荐器的广泛比较以及深入分析证明了所提出的方法的有效性以及为基于内容的推荐器建模视觉印象的良好能力。
2021-09-26 cs.AI cs.IR cs.MM
Quality-aware News Recommendation
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）
新闻推荐是许多在线新闻平台使用的核心技术。向用户推荐高质量的新闻对于保持良好的用户体验和新闻平台的声誉至关重要。然而，现有的新闻推荐方法主要是为了优化新闻点击，而忽略了他们推荐的新闻的质量，这可能会导致推荐的新闻与非信息内容，甚至点击诱饵。在本文中，我们提出了一个质量感知的新闻推荐方法命名为QualityRec，可以有效地提高推荐新闻的质量。在我们的方法中，我们首先提出了一个有效的新闻质量评估方法的基础上，分布的用户的阅读停留时间的新闻。接下来，我们建议将新闻质量信息纳入用户兴趣建模，通过设计一个内容质量的注意力网络，选择点击新闻的基础上，新闻语义和质量。我们进一步训练的推荐模型与辅助新闻质量预测任务学习质量感知的推荐模型，我们添加了一个推荐质量正则化损失，以鼓励模型推荐更高质量的新闻。在两个真实数据集上的大量实验表明，QualityRec可以有效地提高推荐新闻的整体质量，减少对低质量新闻的推荐，推荐准确率甚至略有提高。
2022-02-28 cs.CL cs.IR
Clicks can be Cheating: Counterfactual Recommendation for Mitigating Clickbait Issue
推荐服务是信息系统中普遍存在的一项重要服务。为了向用户提供个性化建议，行业参与者采用了机器学习，更具体地说，是基于点击行为数据构建预测模型。这就是所谓的点击率（CTR）预测，它已经成为构建个性化推荐服务的黄金标准。然而，我们认为，点击和用户满意度之间存在显着的差距-这是常见的，用户被“欺骗”点击一个项目的有吸引力的标题/封面的项目。如果用户发现点击的项目的实际内容令人失望，这将严重损害用户对系统的信任。更糟糕的是，在这些有缺陷的数据上优化CTR模型将导致马太效应，使看似有吸引力但实际上质量较低的项目更频繁地被推荐。在本文中，我们制定的推荐模型作为一个因果图，反映了因果关系的因素，在推荐，并解决点击诱饵问题，通过执行反事实推理的因果图。我们想象一个反事实的世界，其中每个项目只有暴露特征（即，用户在做出点击决定之前可以看到的特征）。通过估计用户在反事实世界中的点击可能性，我们能够减少暴露特征的直接影响并消除点击诱饵问题。在真实数据集上的实验表明，该方法显著提高了CTR模型的点击后满意度。
2021-05-22 cs.IR
Beyond Optimizing for Clicks: Incorporating Editorial Values in News Recommendation
FD Mediagroep（FD媒体集团）；Talpa Network（Talpa网络）；Randstad Groep Nederland（任仕达荷兰集团）
随着算法个性化在新闻领域的应用，新闻机构越来越信任具有先前考虑的编辑责任的自动化系统，例如，优先向读者提供新闻。在本文中，我们研究了自动新闻推荐系统的背景下，新闻机构的编辑价值观。我们利用新闻推荐系统进行并展示了两项在线研究，历时一个半月，涉及1,200多名用户。在我们的第一项研究中，我们探讨了我们的新闻推荐如何在编辑价值观的背景下引导阅读行为，如偶然性，活力，多样性和覆盖范围。接下来，我们提出了一个干预研究，我们扩展我们的新闻推荐引导我们的读者更动态的阅读行为。我们发现，（i）我们的推荐系统产生更多样化的阅读行为，并产生更高的覆盖率的文章相比，非个性化的编辑排名，（ii）我们可以成功地将动态在我们的推荐系统作为一个重新排名的方法，有效地引导我们的读者更动态的文章，而不损害我们的推荐系统的准确性。
2020-04-21 cs.CL cs.HC cs.IR
PerCoNet: News Recommendation with Explicit Persona and Contrastive Learning
本文提出PerCoNet新闻推荐方法，通过基于显著实体的显式用户画像和标题-摘要跨视图对比学习，在两个真实数据集上取得优于现有技术的推荐性能。
2023-04-17 cs.IR
Denoising Neural Network for News Recommendation with Positive and Negative Implicit Feedback
Santa Clara University（圣克拉拉大学）；Tencent（腾讯）
新闻推荐不同于电影或电子商务推荐，因为人们通常不会对新闻进行分级。因此，用户对新闻的反馈总是隐含的（点击行为，阅读时间等）。在隐式反馈中不可避免地存在噪声。一方面，用户可能因为不喜欢新闻内容而在点击新闻后立即退出，在其正隐反馈中留下噪声;另一方面，用户可能同时被推荐多个感兴趣的新闻，并且仅点击其中一个，在其负隐反馈中产生噪声。相反的隐式反馈可以构建更完整的用户偏好，并相互帮助，以最大限度地减少噪音的影响。以往的新闻推荐研究只采用了积极的内隐反馈，受到了噪声的影响。本文提出了一种带正负隐反馈的去噪神经网络用于新闻推荐。DRPN利用这两种反馈进行推荐，并通过一个模块对正隐反馈和负隐反馈进行去噪，以进一步提高性能。在真实世界大规模数据集上的实验证明了DRPN的最新性能。
2022-04-09 cs.CL cs.IR
NPA: Neural News Recommendation with Personalized Attention
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）；USTC（中国科学技术大学）；Peking University（北京大学）
新闻推荐对于帮助用户发现感兴趣的新闻、缓解信息过载具有重要意义。不同的用户通常具有不同的兴趣，并且同一用户可以具有各种兴趣。因此，不同的用户可以点击关注不同方面的同一新闻文章。本文提出了一种具有个性化注意力的神经网络新闻推荐模型。我们的方法的核心是一个新闻表示模型和用户表示模型。在新闻表示模型中，我们使用CNN网络来学习基于标题的新闻文章的隐藏表示。在用户表示模型中，我们根据用户点击新闻文章的表示来学习用户的表示。由于不同的词和不同的新闻文章可能有不同的信息量代表新闻和用户，我们建议应用词和新闻级别的注意力机制，以帮助我们的模型参加重要的词和新闻文章。此外，同一篇新闻文章和同一个词对于不同的用户可能有不同的信息量。因此，我们提出了一个个性化的注意力网络，利用嵌入的用户ID生成查询向量的单词和新闻级的注意力。在MSN新闻的真实新闻推荐数据集上进行了大量的实验，实验结果验证了本文方法在新闻推荐上的有效性。
2019-07-12 cs.CL cs.IR
NPE: Neural Personalized Embedding for Collaborative Filtering
矩阵分解是推荐系统中最有效的方法之一。然而，这种依赖于用户和项目之间的交互的算法对于“冷用户”（几乎没有这种交互历史的用户）以及在捕获密切相关的项目之间的关系方面表现不佳。为了解决这些问题，我们提出了一个神经个性化嵌入（NPE）模型，它提高了冷用户的推荐性能，并可以学习项目的有效表示。它从两个方面对用户对某个项目的点击进行建模：用户对该项目的个人偏好，以及该项目与用户点击的其他项目之间的关系。我们表明，NPE优于竞争方法的前N建议，特别是冷用户的建议。我们还进行了定性分析，显示了模型学习的表示的有效性。
2018-05-17 cs.IR
Empowering News Recommendation with Pre-trained Language Models
个性化新闻推荐是在线新闻服务的一项重要技术。新闻文章通常包含丰富的文本内容，准确的新闻建模对于个性化新闻推荐非常重要。现有的新闻推荐方法主要基于传统的文本建模方法对新闻文本进行建模，这对于挖掘新闻文本中的深层语义信息并不是最优的。预训练的语言模型（PLM）对于自然语言理解是强大的，这具有更好的新闻建模的潜力。然而，目前还没有公开的报道表明PLM已经应用于新闻推荐。在本文中，我们报告了我们的工作，利用预先训练的语言模型，使新闻推荐。在单语言和多语言新闻推荐数据集上的离线实验结果表明，利用PLM进行新闻建模可以有效地提高新闻推荐的性能。我们基于PLM的新闻推荐模型已部署到Microsoft News平台，并在英语和全球市场的点击量和页面浏览量方面取得了显著增长。
2021-04-15 cs.IR
Going Beyond Local: Global Graph-Enhanced Personalized News Recommendations
The University of Tokyo（东京大学）；University College Dublin（都柏林大学学院）
本文提出 GLORY 模型，通过全局新闻图、全局实体图及门控图神经网络融合全局与局部表示，提升个性化新闻推荐的准确性与多样性。
2023-09-26 cs.CL cs.IR
Bandit Learning to Rank with Position-Based Click Models: Personalized and Equal Treatments
The Ohio State University（俄亥俄州立大学）；Amazon（亚马逊）
针对基于位置点击模型的多臂老虎机在线排序学习研究不足的问题，提出通用MAB框架及GreedyRank、UCBRank两种策略，证明其次线性遗憾界并通过实验验证效率，覆盖个性化与均等化处理场景。
2023-11-08 cs.IR cs.LG
CROWN: A Novel Approach to Comprehending Users' Preferences for Accurate Personalized News Recommendation
Chung-Ang University（中央大学）；Hanyang University（汉阳大学）
针对个性化新闻推荐中多意图理解、读后偏好区分及冷启动用户问题，提出CROWN框架，通过类别引导意图解耦、一致性新闻表示和GNN增强混合用户表示，结合类别预测辅助任务，在真实数据集上相比现有方法实现性能提升。
2025-02-11 cs.AI cs.IR
What Drives Readership? An Online Study on User Interface Types and Popularity Bias Mitigation in News Article Recommendations
个性化新闻推荐系统支持读者在在线新闻平台中找到正确和相关的文章。在本文中，我们讨论了引入个性化，基于内容的新闻推荐DiePresse，一个流行的奥地利在线新闻平台，专注于两个具体方面：（i）用户界面类型，和（ii）流行偏见缓解。因此，我们从2020年10月开始进行了为期两周的在线研究，分析了推荐对两个用户组的影响，即，匿名和订阅用户以及三种用户界面类型，即，在桌面、移动和平板设备上。关于用户界面类型，我们发现，建议被看到的概率是最高的桌面设备，而与建议进行交互的概率是最高的移动设备。关于流行偏见缓解，我们发现，个性化的，基于内容的新闻推荐可以导致一个更平衡的分布的新闻文章的读者群的流行程度的情况下，匿名用户。除此之外，我们发现重大事件（例如，奥地利的COVID-19封锁公告和维也纳恐怖袭击）影响了匿名和订阅用户对热门文章的一般消费行为。
2022-05-30 cs.IR
What Would You Click? Personalized Video Thumbnail Generation with Preference-aware Highlight Retrieval
Tsinghua University（清华大学）；The University of Queensland（昆士兰大学）
研究针对视频平台个性化视频缩略图生成问题，提出两阶段框架，先通过偏好感知检索选取视觉锚点，再经VLM引导的扩散管道生成缩略图，实验和用户研究证明该方法性能优且能提升用户参与度。
2026-07-15 cs.IR cs.MM
Personalized News Recommendation with Multi-granularity Candidate-aware User Modeling
Shandong University of Science and Technology（山东科技大学）；College of Computer Science and Engineering（计算机科学与工程学院）；Nanning Normal University（南宁师范学院）；Guangxi Key Lab of Human-machine Interaction and Intelligent Decision（广西人机交互与智能决策重点实验室）
针对现有新闻推荐中用户兴趣建模粒度不足的问题，提出多粒度候选感知用户建模框架，整合词、实体、新闻三级特征，在真实数据集上显著优于基线模型。
2025-06-23 cs.AI cs.IR
The Effect of News Article Quality on Ad Consumption
本文通过服务日志分析与百万规模 A/B 测试，证明优先展示高质量新闻文章可显著提升广告点击、转化和销售，并揭示主题偏好差异。
2023-05-31 cs.IR
Aspect-driven User Preference and News Representation Learning for News Recommendation
新闻推荐系统对于帮助用户从大量的新闻中高效地发现感兴趣的新闻是必不可少的。现有的新闻推荐系统大多学习用户和新闻的主题级表示进行推荐，而忽略了学习用户和新闻的方面级特征进行更准确的推荐。因此，它们实现了有限的推荐性能。针对这一不足，我们提出了一种新的基于方面级用户偏好和新闻表示学习的新闻推荐系统（ANRS）。在这里，新闻体是由一组相关词表达的细粒度语义信息，表示新闻所描述的特定方面。在ANRS中，设计新闻方面级编码器和用户方面级编码器，分别学习用户偏好和新闻特征的细粒度方面级表示，并将其输入点击预测器，判断用户点击候选新闻的概率。在常用的真实世界数据集MIND上进行了大量的实验，与代表性的和最先进的方法相比，证明了我们的方法的优越性。
2022-01-28 cs.AI cs.IR
Two Birds with One Stone: Unified Model Learning for Both Recall and Ranking in News Recommendation
召回和排序是个性化新闻推荐的两个关键步骤。现有的新闻推荐系统大多采用不同的模型分别进行个性化的新闻召回和排序。然而，维护多个模型导致高计算成本，并提出了很大的挑战，以满足新闻推荐系统的在线延迟要求。为了解决这个问题，本文提出了UniRec，一个统一的方法召回和排名的新闻推荐。在我们的方法中，我们首先使用用户编码器模型从用户的历史新闻点击行为推断用户嵌入排名。然后，我们推导出用户嵌入召回从获得的用户嵌入排名使用它作为注意力查询选择一组基本用户嵌入编码不同的一般用户的兴趣和合成到一个用户嵌入召回。在基准数据集上的大量实验表明，该方法可以提高新闻推荐的召回率和排名效率。
2022-03-23 cs.IR
MiNet: Mixed Interest Network for Cross-Domain Click-Through Rate Prediction
Alibaba Group（阿里巴巴集团）
点击率（CTR）预测是在线广告系统中的一项关键任务。现有的工作主要解决单域CTR预测问题和模型方面，如功能交互，用户行为历史和上下文信息。然而，广告通常与自然内容一起显示，这为跨域CTR预测提供了机会。在本文中，我们解决这个问题，并利用辅助数据从源域，以提高CTR预测性能的目标域。我们的研究基于UC今日头条（与UC浏览器App集成的新闻推送服务，每日服务数亿用户），其中源域是新闻，目标域是广告。为了有效地利用新闻数据来预测广告的点击率，我们提出了混合兴趣网络（MiNet），它联合建模三种类型的用户兴趣：1）跨域的长期兴趣，2）源域的短期兴趣和3）目标域的短期兴趣。MiNet包含两个层次的注意力，其中项目级注意力可以自适应地从点击的新闻/广告中提取有用信息，兴趣级注意力可以自适应地融合不同的兴趣表示。离线实验表明，MiNet优于几种最先进的CTR预测方法。我们已经在UC头条部署了MiNet，A/B测试结果显示在线CTR也有了大幅提升。MiNet现在是UC头条的主要广告流量。
2020-08-07 cs.IR cs.LG
NeMig -- A Bilingual News Collection and Knowledge Graph about Migration
NeMig是一个关于移民主题的双语新闻集，包含丰富用户数据，用于分析推荐偏差和过滤气泡，并通过知识图谱和实验验证其效用。
2023-09-01 cs.IR
LKPNR: LLM and KG for Personalized News Recommendation Framework
State Key Laboratory of Communication Content Cognition, People’s Daily Online（人民日报在线认知内容国家重点实验室）
针对传统新闻推荐语义捕捉弱、非活跃用户长尾问题，提出融合LLM与KG的LKPNR框架，通过LLM增强语义表征、KG多跳挖掘结构信息，显著提升推荐效果，为精准个性化新闻推荐提供可行方案。
2023-08-23 cs.AI cs.IR
Time Matters: Enhancing Pre-trained News Recommendation Models with Robust User Dwell Time Injection
Communication University of China（中国传媒大学）；Microsoft（微软公司）
针对点击行为不确定性导致的用户偏好建模难题，提出两种鲁棒的停留时间注入策略，在MSN数据集上验证了其能提升推荐性能且对停留时间缺失具有强鲁棒性。
2024-05-21 cs.AI cs.IR
Spatiotemporal-Enhanced Network for Click-Through Rate Prediction in Location-based Services
在基于位置的服务（LBS）中，用户行为自然对时空信息具有很强的依赖性，即，在不同的地理位置和不同的时间，用户的点击行为会发生很大的变化。对用户点击行为和大规模稀疏属性进行适当的时空增强建模是构建LBS模型的关键。虽然现有的方法已被证明是有效的，他们很难适用于外卖场景，由于时空信息建模不足。在本文中，我们解决这一挑战，寻求明确的时间和位置的相互作用，并提出了时空增强网络，即StEN模型。特别是，StEN应用时空轮廓激活模块，通过属性特征来捕获共同的时空偏好。进一步应用时空偏好激活模型对行为所体现的个性化时空偏好进行了详细的建模。此外，采用时空感知的目标注意力机制，在不同的位置和时间产生不同的目标注意力参数，从而提高了模型的个性化时空感知能力。在三个大规模工业数据集上进行了综合实验，实验结果表明了本文方法的先进性能。此外，我们还发布了外卖行业的行业数据集，以弥补该社区公共数据集的不足。
2022-09-20 cs.IR
ZoRRO: A Zero-Weight Personalized Recommender System for Scalable News Recommendation
Technical University of Denmark（丹麦技术大学）；ZOZO Research（ZOZO研究公司）；University of California San Diego（加州大学圣地亚哥分校）；Pioneer Centre for Artificial Intelligence（先锋人工智能中心）
研究针对可扩展新闻推荐提出零权重、无需训练的ZoRRO框架，在离线评估中优于神经基线，在线测试中点击率性能与先进模型相近且速度快600多倍，并揭示相关性能差距，凸显该框架对大规模新闻推荐的实用性及多指标评估的重要性。
2026-07-14 cs.IR cs.LG
Hourly Traffic Prediction of News Stories
从多个新闻源预测新闻故事受欢迎程度的过程已经成为新闻制作者和读者的一个非常重要的挑战。在本文中，我们研究的方法，自动预测点击量的新闻故事在一个小时内。我们的方法是使用对数尺度（log10）在M5P回归树上应用加法回归和装袋的组合。包括的功能是基于社交（来自Facebook的社交网络元数据），基于内容（自动提取的关键词和新闻标题的风格统计数据）和基于时间的。在第一届Sapo数据挑战赛中，我们获得了11.99%的平均相对误差值，在26名参与者中排名第四。
2013-06-19 cs.IR
Personalized News Recommendation with Context Trees
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
大量的在线新闻文章使得很难找到有趣的文章，这个问题可以通过使用推荐系统来缓解，从而将最相关的新闻故事带给读者。然而，新闻推荐具有挑战性，因为最相关的文章通常是很少用户看到的新内容。此外，它们会随着时间的推移而受到趋势和偏好变化的影响，在许多情况下，我们没有足够的信息来分析读者。本文介绍了一类基于上下文树的新闻推荐系统。他们可以提供高质量的新闻推荐给匿名访问者的基础上，目前的浏览行为。我们表明，上下文树推荐系统提供了良好的预测精度和推荐新颖性，他们是足够灵活的捕捉新闻文章的独特属性。
2014-11-03 cs.IR cs.LG stat.ML
PBNR: Prompt-based News Recommender System
本文提出PBNR模型，将新闻推荐转化为文本到文本任务，利用预训练语言模型T5和个性化提示学习，在无需改变架构的情况下实现准确且可交互的个性化推荐。
2023-04-16 cs.IR
Modeling Behavioral Patterns in News Recommendations Using Fuzzy Neural Networks
Institute of Human-Centred Computing, Graz University of Technology, Austria（以人为中心计算研究所，格拉茨技术大学，奥地利）
本文提出利用模糊神经网络建模新闻推荐中的行为模式，通过学习可读规则提升推荐透明度和可解释性。
2026-01-07 cs.IR cs.LG
Uni-FedRec: A Unified Privacy-Preserving News Recommendation Framework for Model Training and Online Serving
新闻推荐是个性化在线新闻服务的重要组成部分。现有的大多数新闻推荐方法依赖于集中存储的用户行为数据来离线训练模型并提供在线推荐服务。然而，用户数据通常是高度隐私敏感的，并且集中存储它们可能会引起隐私问题和风险。在本文中，我们提出了一个统一的新闻推荐框架，它可以利用用户数据本地存储在用户客户端的训练模型，并在隐私保护的方式为用户提供服务。在现实世界的推荐系统中广泛使用的范例，我们的框架包含两个阶段。第一个用于候选新闻生成（即，召回）而第二个用于候选新闻排名（即，排名）。在召回阶段，每个客户端从点击的新闻中本地学习多个兴趣表示，以全面建模用户兴趣。这些表示被上传到服务器以从大的新闻池中召回候选新闻，这些候选新闻在排名阶段被进一步分发到用户客户端以用于个性化新闻显示。此外，我们提出了一个兴趣分解-聚合方法与扰动噪声，以更好地保护私人用户信息编码在用户的兴趣表示。此外，我们协同训练召回和排名模型的数据分散在大量的用户客户端的隐私保护的方式。在两个真实新闻数据集上的实验表明，该方法在性能上优于基线方法，并有效地保护了用户隐私。
2021-09-11 cs.IR
On the Overlooked Significance of Underutilized Contextual Features in Recent News Recommendation Models
Seoul National University（首尔大学）；NAVER Corp（NAVER公司）；POSTECH（浦项工科大学）
个性化新闻推荐的目的是通过预测读者点击某篇文章的可能性，为读者提供有吸引力的文章。为了准确地预测这种概率，已经提出了大量的研究，积极利用文章的内容特征，如词，类别或实体。然而，我们观察到，文章的上下文特征，如点击率（CTR），流行度，或新鲜度，最近被忽视或利用不足。为了证明这一点，我们对最近的深度学习模型和我们设计的朴素上下文模型进行了广泛的比较，并惊讶地发现后者的表现轻松优于前者。此外，我们的分析表明，最近将过于复杂的深度学习操作应用于上下文特征的趋势实际上阻碍了推荐性能。从这些知识，我们设计了一个有目的的简单的上下文模块，可以大大提高以前的新闻推荐模型。
2021-12-29 cs.IR cs.LG
Deep Dynamic Neural Network to trade-off between Accuracy and Diversity in a News Recommender System
Ryerson University（瑞尔森大学）
新闻推荐系统的特点是一些独特的挑战，具体到新闻领域。这些挑战来自于读者对动态生成的新闻项目的快速变化的兴趣，这些新闻项目随时间不断变化。新闻阅读也是由读者的长期和短期利益驱动的。此外，新闻推荐系统需要多样性，不仅要让读者参与阅读过程，还要让他们接触到不同的观点和意见。在本文中，我们提出了一个深度神经网络，它将信息丰富的新闻和读者的兴趣共同学习到一个统一的框架中。我们从新闻的标题、摘要（正文）和分类（类别、子类别）中学习新闻的表征（特征）。我们从读者的点击历史中了解读者的长期兴趣，通过LSTMS从最近的点击中了解读者的短期兴趣，通过注意力机制了解读者的多样化兴趣。我们还对我们的模型应用了不同程度的注意力。我们在两个新闻数据集上进行了广泛的实验，以证明我们的方法的有效性。
2021-03-17 cs.AI cs.IR cs.LG
A Preliminary Study of ChatGPT on News Recommendation: Personalization, Provider Fairness, Fake News
本研究初步评估ChatGPT在个性化新闻推荐、提供者公平性和假新闻检测三方面的表现，探索提示格式对输出约束的影响，并开发网页进行持续监控。
2023-06-19 cs.IR
Analysis of Short Dwell Time in Relation to User Interest in a News Application
停留时间已广泛用于各个领域以评估内容质量和用户参与度。虽然许多研究表明，停留时间长的内容质量好，但停留时间短的内容尚未详细讨论。我们假设停留时间短的内容并不总是低质量的，并不总是具有低用户参与度，而是与用户兴趣相关。本研究的目的在于阐明短停留时间浏览在手机新闻应用中的意义。首先，我们使用来自移动新闻应用的大规模用户行为日志来分析短停留时间与用户兴趣的关系。该分析基于用户点击历史在向量空间上进行，然后将用户和文章映射在同一空间中。停留时间短的用户集中在这个空间中的特定位置;因此，停留时间的长度与他们的兴趣有关。此外，我们还分析了短停留时间浏览的特点，排除这些浏览从他们的点击历史。令人惊讶的是，排除短停留时间点击历史，发现短停留时间点击历史在30.87%的用户集群改变的实例中包括用户兴趣的某些方面。这些发现表明，短停留时间并不总是表明低水平的用户参与度，但也表明用户的兴趣水平。
2020-12-27 cs.DL cs.IR cs.SI
Efficient Personalized Web Mining: Utilizing The Most Utilized Data
在网络上寻找信息的增长，这是一个非常繁琐的过程，以获得用户正在寻找的确切信息。许多搜索引擎生成与用户简档相关的数据列表。本文涉及一个这样的过程，其中的评级是给用户点击的链接。而不是避免感兴趣的链接，感兴趣的链接和不感兴趣的链接都列出。但根据特定用户访问次数和在特定链接上花费的时间对每个链接的权重进行排序。
2011-09-09 cs.IR
Understanding the Information Cocoon: A Multidimensional Assessment and Analysis of News Recommendation Systems
针对新闻推荐系统导致的信息茧房问题，提出首个多维度统一评估指标框架，从个体同质化与群体极化双视角对七种算法进行基准测试，并设计五种轻量级缓解策略以提供可部署的伦理解决方案。
2025-09-14 cs.IR
A Hybrid Recommendation Framework for Enhancing User Engagement in Local News
本文提出一种融合本地与全局偏好模型的混合新闻推荐框架，通过集成策略和多阶段训练提升推荐准确性与覆盖率，并在合成及丹麦数据集上验证其优于单一模型，旨在增强本地新闻用户参与度。
2025-08-27 cs.IR
Click-aware purchase prediction with push at the top
从购买记录中获取用户偏好以执行购买预测是具有挑战性的，因为没有明确地观察到负面反馈，并且因为将所有未购买的物品同等地视为负面反馈是不现实的。因此，在这项研究中，我们提出了一个框架，利用用户过去的点击记录来弥补购买记录中缺失的用户-项目交互，即，非购买物品。我们首先制定各种模型的假设，每一个假设不同的顺序购买，点击，但不购买，和非点击项目的用户偏好，研究利用点击记录的有用性。我们使用贝叶斯个性化排名模型实现模型假设，该模型最大化了二分排名的曲线下面积。然而，我们认为，使用点击记录的二分排名需要一个精心设计的模型，因为相对不可靠的点击记录相比，购买记录。因此，我们最终提出了一种新的学习排名方法，称为P3 Stop，用于执行购买预测。建议的模型是定制的相对不可靠的点击记录，特别是专注于排名靠前的项目的准确性是强大的。在两个真实的电子商务数据集上的实验结果表明，P3 STop的性能大大优于最先进的隐式反馈推荐方法，特别是对排名靠前的项目。
2020-05-29 cs.IR
Transformers4NewsRec: A Transformer-based News Recommendation Framework
本文提出基于Transformers库的Python框架Transformers4NewsRec，旨在统一比较深度神经网络和基于图的新闻推荐模型性能，提供模型选择、数据处理与评估的灵活性，支持定量与定性分析。
2024-10-17 cs.IR
FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation
单塔模型被广泛应用于新闻推荐的排序阶段，根据用户行为所指示的用户兴趣与候选新闻的细粒度相关性来准确地对候选新闻进行排序。然而，这些模型可以容易地继承与用户的敏感属性（例如，人口统计学），并且可能生成对具有某些属性的用户不公平的推荐结果。在本文中，我们提出了FairRank，这是一个公平意识的新闻推荐单塔排名框架。由于候选新闻的选择可能是有偏见的，我们建议使用一个共享的候选感知用户模型，以匹配用户的兴趣与一个真实的显示候选新闻和一个随机的新闻，分别学习候选感知用户嵌入，反映用户的兴趣在候选新闻和候选不变的用户嵌入，表明用户的内在兴趣。我们将对抗学习应用于这两种方法，以减少敏感用户属性带来的偏见。此外，我们使用KL损失来正则化从两个用户嵌入中推断出的属性标签，使其相似，这可以使模型捕获更少的候选人感知偏差信息。在两个数据集上的大量实验表明，FairRank可以提高各种单塔新闻排名模型的公平性，而性能损失较小。
2022-04-01 cs.IR
