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
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
ProFairRec: Provider Fairness-aware News Recommendation
新闻推荐旨在帮助在线新闻平台用户找到自己喜欢的新闻文章。现有的新闻推荐方法通常从用户对新闻的历史行为中学习模型。然而，这些行为通常对新闻提供者有偏见。在有偏见的用户数据上训练的模型可能会捕捉甚至放大对新闻提供者的偏见，这对一些少数新闻提供者来说是不公平的。在本文中，我们提出了一个供应商公平意识的新闻推荐框架（命名为ProFairRec），它可以学习新闻推荐模型公平不同的新闻提供商从偏见的用户数据。ProFairRec的核心思想是学习提供者公平的新闻表示和提供者公平的用户表示，以实现提供者公平。为了从有偏见的数据中学习提供者公平的表示，我们采用提供者偏见的表示来从数据中继承提供者偏见。分别从新闻内容和提供商ID学习提供商公平和有偏见的新闻表示，其进一步聚合以基于用户点击历史构建公平和有偏见的用户表示。所有这些表示都用于模型训练，而只有公平表示用于用户-新闻匹配，以实现公平新闻推荐。此外，我们提出了一个对抗性的学习任务，新闻提供者的歧视，以防止供应商公平的新闻表示编码供应商偏见。我们还提出了一个正交正则化提供者公平和偏见的表示，以更好地减少提供者公平表示的偏见。此外，ProFairRec是一个通用的框架，可以应用于不同的新闻推荐方法。在公开数据集上的大量实验表明，该方法可以有效地提高现有方法的公平性，同时保持推荐的准确性.
2022-04-10 cs.IR
Tiny-NewsRec: Effective and Efficient PLM-based News Recommendation
新闻推荐是一种被广泛采用的为用户提供个性化新闻源的技术。近年来，预训练语言模型（Pre-trained language models，PLM）显示出强大的自然语言理解能力，并通过改进新闻建模而有利于新闻推荐。然而，大多数现有的作品简单地微调PLM与新闻推荐任务，这可能会遭受从预训练语料库和下游新闻文本之间的已知域转移问题。此外，PLM通常包含大量的参数，具有高的计算开销，这给低延迟的在线服务带来了很大的负担。在本文中，我们提出了Tiny-NewsRec，它可以提高基于PLM的新闻推荐的有效性和效率。我们首先设计了一个自我监督的特定领域的后训练方法，以更好地适应一般PLM的新闻领域与新闻标题和新闻体之间的对比匹配任务。我们进一步提出了一个两阶段的知识蒸馏方法，以提高效率的大型基于PLM的新闻推荐模型，同时保持其性能。多个教师模型起源于我们的后培训过程的不同时间步骤，用于在后培训和微调阶段向学生传递综合知识。在两个真实数据集上的大量实验验证了该方法的有效性和效率。
2022-12-11 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
DCAN: Diversified News Recommendation with Coverage-Attentive Networks
基于自我注意的模型被广泛应用于新闻推荐任务中。然而，以往的Attention体系结构没有约束用户历史行为中的重复信息，这限制了隐藏表示的能力，并导致了信息冗余和过滤气泡等问题。为了解决这个问题，我们提出了一个个性化新闻推荐模型DCAN，它通过新闻编码器和用户编码器捕获多粒度的用户-新闻匹配信号。我们不断更新覆盖向量来跟踪新闻关注的历史，并以4种方式增加向量。然后将扩展后的Coverage向量输入到多头自注意模型中，帮助调整未来注意力，并在损失函数（CRL）中加入Coverage规则，使推荐系统能够更多地考虑差异化信息。在微软新闻推荐数据集（MIND）上的大量实验表明，我们的模型在准确性方面的牺牲最小的情况下，显着提高了新闻推荐的多样性。
2022-06-02 cs.IR
DebiasedRec: Bias-aware User Modeling and Click Prediction for Personalized News Recommendation
新闻推荐是个性化新闻访问的关键。现有的新闻推荐方法通常根据用户的历史新闻点击量来推断用户的个人兴趣，并通过预测未来的新闻点击量来训练新闻推荐模型。这些方法背后的一个核心假设是，新闻点击行为可以表明用户的兴趣。然而，在实际场景中，除了用户兴趣与新闻内容之间的相关性之外，新闻点击行为还可能受到其他因素的影响，例如在线平台中新闻呈现的偏差。例如，位置较高、尺寸较大的新闻通常更容易被点击。点击新闻的偏向性会给用户兴趣建模和模型训练带来噪声，影响新闻推荐模型的性能。本文提出了一种具有偏见意识的个性化新闻推荐方法DebiasRec，该方法可以处理偏见信息，从而更准确地进行用户兴趣推断和模型训练。我们的方法的核心包括一个偏见表示模块，一个偏见意识的用户建模模块，和一个偏见意识的点击预测模块。偏见表征模块用于对不同类型的新闻偏见及其相互作用进行建模，以捕捉它们对点击行为的联合影响。偏见感知的用户建模模块旨在通过使用用户的偏见信息来校准兴趣模型，从而从点击的新闻文章中推断用户的去偏见兴趣。偏置感知点击预测模块用于根据偏置点击行为来训练去偏置新闻推荐模型，其中点击分数被分解为指示用户对新闻内容的兴趣的偏好分数和从其不同偏置特征推断的新闻偏置分数。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性能。
2021-04-15 cs.IR
UA-FedRec: Untargeted Attack on Federated News Recommendation
本文提出 UA-FedRec 无目标攻击，通过新闻相似度、用户模型和样本数量扰动，利用少量恶意客户端降低联邦新闻推荐性能，并在两个真实数据集上验证其即使面对防御仍有效。
2023-06-08 cs.IR
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
NewsRecLib: A PyTorch-Lightning Library for Neural News Recommendation
本研究推出基于PyTorch-Lightning和Hydra的开源神经新闻推荐库NewsRecLib，通过统一可配置框架、模块化设计与开箱即用的模型、基准等实现，助力可复现研究与严谨实验评估。
2023-10-02 cs.IR
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
Neural News Recommendation with Negative Feedback
新闻推荐是在线新闻服务的重要组成部分。精确的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依赖于用户的隐式反馈，如新闻点击来建模用户的兴趣。然而，新闻点击可能不一定反映用户的兴趣，因为用户可能由于其标题的吸引力而点击新闻，但对其内容感到失望。新闻阅读的停留时间是用户兴趣建模的一个重要线索，因为短的阅读停留时间通常表明低，甚至负面的兴趣。因此，结合从新闻阅读的停留时间推断的负反馈可以提高用户建模的质量。在本文中，我们提出了一个神经新闻推荐方法，可以考虑到隐式的负面用户反馈。我们提出了根据阅读停留时间区分正面和负面新闻点击，并通过Transformer和附加注意力网络的组合分别从正面和负面新闻点击中学习用户表征。此外，我们建议计算一个积极的点击得分和一个消极的点击得分的基础上候选新闻表示和用户表示从积极和消极的新闻点击学习之间的相关性。最终的点击分数是正点击分数和负点击分数的组合。此外，我们提出了一种交互式的新闻建模方法，在新闻建模中考虑标题和正文之间的相关性。在真实数据集上的大量实验验证了该方法可以实现更准确的新闻推荐用户兴趣建模。
2021-01-12 cs.IR
FairRec: Fairness-aware News Recommendation with Decomposed Adversarial Learning
新闻推荐是在线新闻服务的重要组成部分。现有的新闻推荐模型通常从用户的新闻点击行为中学习。通常具有相同敏感属性的用户的行为（例如，性别）具有相似的模式，并且新闻推荐模型可以容易地捕获这些模式。这可能导致推荐结果中与敏感用户属性相关的一些偏差，例如，总是向男性用户推荐体育新闻，这是不公平的，因为用户可能无法接收到多样化的新闻信息。本文提出了一种基于分解对抗学习和正交正则化的公平性新闻推荐方法，该方法可以有效地降低用户敏感属性的偏差所带来的新闻推荐不公平性。在我们的方法中，我们建议将用户兴趣模型分解为两个组件。一个组件的目的是学习一个偏见意识的用户嵌入，捕捉敏感的用户属性上的偏见信息，和其他的目的是学习一个无偏见的用户嵌入，只编码属性无关的用户兴趣信息的公平意识的新闻推荐。此外，我们提出将属性预测任务应用于偏差感知的用户嵌入，以增强其偏差建模能力，并且我们将对抗学习应用于无偏差的用户嵌入，以去除其中的偏差信息。此外，我们提出了一种正交正则化方法，以鼓励无偏置用户嵌入正交于有偏置的用户嵌入，以更好地区分偏置。将用户嵌入从偏置感知中解放出来。对于具有公平意识的新闻排名，我们只使用无偏见的用户嵌入。在基准数据集上的大量实验表明，该方法可以有效地提高新闻推荐的公平性，而性能损失较小。
2021-04-15 cs.IR
DebiasGAN: Eliminating Position Bias in News Recommendation with Adversarial Learning
新闻推荐对于提高用户的新闻阅读体验具有重要意义。用户的新闻点击行为被广泛用于推断用户的兴趣和预测未来的点击。然而，点击行为受到网页上显示的新闻位置所带来的偏见的严重影响。为了准确地定位用户兴趣，消除位置偏差对推荐模型的影响是很重要的。在本文中，我们提出了一种名为DebiasGAN的新闻推荐方法，可以通过对抗学习有效地消除位置偏差的影响。我们使用一个偏见感知点击模型来捕捉位置偏见对点击行为的影响，我们使用一个偏见不变的点击模型与随机候选新闻位置来估计理想的无偏点击分数。我们将对抗学习技术应用于两个模型学习的隐藏表示，以帮助偏差不变的点击模型捕获用户对新闻的独立于偏差的兴趣。在两个真实数据集上的实验结果表明，DebiasGAN能够有效地消除位置偏差，提高新闻推荐的准确率。
2021-06-11 cs.IR
Don't Click the Bait: Title Debiasing News Recommendation via Cross-Field Contrastive Learning
针对新闻推荐中的标题党偏差问题，提出融合新闻摘要的TDNR-C2模型，通过多字段知识提取与跨域对比学习实现去偏，在真实数据集上性能优于现有最优方法。
2024-08-16 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
LabelCraft: Empowering Short Video Recommendations with Automated Label Crafting
针对短视频推荐中用户反馈质量差的问题，提出LabelCraft自动化标签生成方法，通过元学习解决双层优化难题，有效提升平台使用时长、用户参与度和留存率等运营指标。
2024-11-14 cs.IR
Efficient-FedRec: Efficient Federated Learning Framework for Privacy-Preserving News Recommendation
本文提出Efficient-FedRec框架，通过将新闻推荐模型分解为服务器端大型新闻模型和轻量级用户模型，并结合安全聚合方法，在保护隐私的同时显著降低客户端的计算与通信成本。
2023-05-30 cs.IR
Empowering Retrieval-based Conversational Recommendation with Contrasting User Preferences
针对对话推荐系统单一用户表示难以区分用户喜好与厌恶等对比意图的问题，提出CORAL模型，借助LLMs通过对比偏好扩展提取隐藏偏好并融入推荐，在三个基准数据集上Recall@10最高提升99.72%。
2025-03-27 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
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
Privacy-Preserving News Recommendation Model Learning
新闻推荐是指根据用户的兴趣，向用户展示新闻文章。现有的新闻推荐方法依赖于用户行为数据的集中存储来进行模型训练，由于用户行为的隐私敏感性，这可能导致隐私问题和风险。本文提出了一种基于联邦学习的新闻推荐模型训练隐私保护方法，其中用户行为数据存储在用户设备上。该方法可以充分利用海量用户行为中的有用信息来训练准确的新闻推荐模型，同时不需要集中存储。更具体地说，在每个用户设备上，我们保留新闻推荐模型的本地副本，并基于该设备中的用户行为计算本地模型的梯度。来自一组随机选择的用户的局部梯度被上传到服务器，其被进一步聚合以更新服务器中的全局模型。由于模型梯度可能包含一些隐含的隐私信息，我们在上传之前对其应用局部差分隐私（LDP），以更好地进行隐私保护。然后将更新的全局模型分发给每个用户设备以进行本地模型更新。我们重复这个过程多轮。在真实数据集上的大量实验表明了该方法在隐私保护新闻推荐模型训练中的有效性。
2020-10-08 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
Invariance Matters: Empowering Social Recommendation via Graph Invariant Learning
针对社交网络噪声阻碍用户偏好学习的问题，提出社交图不变学习方法（SGIL），通过图生成器模拟多噪声环境并最小化不变风险，结合对抗训练增强环境多样性，有效提升了社交推荐系统的鲁棒性。
2025-04-27 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
Generative News Recommendation
针对现有新闻推荐仅做语义匹配、仅原样推送新闻的不足，提出含高层匹配与连贯叙述生成的生成式新闻推荐范式及GNR模型，通过双层表征、新闻筛选和UIFT训练方法提升推荐准确率与叙述质量。
2024-03-06 cs.IR
Socially Driven News Recommendation
参与式Web使信息的访问无处不在，无处不在，同时提高了信息共享的速度和范围。新闻聚合器等数据传播服务预计将向最终用户提供最新的实时信息。新闻聚合器本质上是一种推荐系统，它对新闻故事进行过滤和排名，以便在任何时候选择少数几个将出现在用户的前屏幕上。在这样的系统中的主要挑战之一是解决新近度和延迟问题，也就是说，尽可能快地识别新闻故事的重要性。在这项工作中，我们提出了一个综合框架，旨在预测新闻项目的重要性，其出版物的重点是最近和高度流行的新闻，采用reservation策略，并在翻译的结果转化为具体的新闻排名。我们进行了广泛的实验评估，使用现实生活中的数据集的建议框架作为一个独立的系统，并应用于从谷歌新闻的新闻推荐。此外，我们提出并评估了一个组合的解决方案，以增加官方媒体的建议与社会信息。结果表明，所提出的方法补充和提高了国家的最先进的系统所产生的新闻排名。
2016-01-29 cs.IR
Evolution of Filter Bubbles and Polarization in News Recommendation
最近在新闻推荐方面的研究表明，评论者可能会让用户过度接触那些支持他们先前观点的文章。然而，大多数现有的工作集中在一个静态的设置或在一个短的时间窗口，留下开放的问题的长期和动态的影响，新闻推荐。本文通过对三个研究问题的系统研究来探讨这些动态影响：1）用户在与新闻阅读者长期反复互动后，其新闻阅读行为发生了怎样的变化？2)在这样一个动态推荐系统中，用户的固有偏好是如何随时间变化的？3)现有的SOTA静态方法能否缓解动态环境中的问题？具体而言，我们进行了全面的数据驱动的研究，通过模拟实验的政治极化的新闻推荐的基础上，40,000注释的新闻文章。我们发现，随着推荐系统的发展，用户会迅速接触到更极端的内容。我们还发现，基于校准的干预可以减缓这种两极分化，但为未来的改进留下了重要的机会
2023-01-26 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
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
Do you MIND? Reflections on the MIND dataset for research on diversity in news recommendations
该研究分析了MIND数据集在多样化新闻推荐研究中的适用性，考察推荐流程步骤对文章类别分布的影响及数据对复杂多样性分析的支撑性，指出该数据集虽有进步但仍有改进空间。
2023-05-03 cs.IR
Improving News Recommendations through Hybrid Sentiment Modelling and Reinforcement Learning
University of Pretoria（比勒陀利亚大学）
本文通过混合情感分析与强化学习方法，改进新闻推荐系统，提升个性化和情感匹配能力。
2025-12-08 cs.IR
How Does Empowering Users with Greater System Control Affect News Filter Bubbles?
LinkedIn Corporation（领英公司）；Tulane University（杜兰大学）；Illinois Institute of Technology（伊利诺伊理工学院）
研究探讨赋予用户更大系统控制权对新闻过滤气泡的影响，设计增强界面的政治新闻推荐系统，通过用户研究发现该系统虽提高了用户对过滤气泡的认知，但对新闻消费的影响因用户偏好呈现异质性。
2026-07-20 cs.AI cs.IR
Scientific and Technological News Recommendation Based on Knowledge Graph with User Perception
现有的研究通常利用边信息，如社会网络或项目属性，以提高协同过滤推荐系统的性能。本文利用具有用户感知的知识图谱来获取边信息的来源。针对现有基于嵌入和基于路径的知识图谱感知推荐方法的局限性，提出了KGUPN，该框架将知识图谱和用户感知集成到科技新闻推荐系统中。KGUPN包含三个主要层，即传播表示层、上下文信息层和协作关系层。传播表示层通过递归地传播来自知识图谱中的邻居（可以是用户、新闻或关系）的嵌入来改进实体的表示。上下文信息层通过对出现在新闻中的实体的行为信息进行编码来改进实体的表示。协同关系层补充了新闻知识图谱中实体之间的关系。在真实数据集上的实验结果表明，KGUPN在科技新闻推荐方面明显优于最先进的基线。
2022-10-07 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
News Recommender System: A review of recent progress, challenges, and opportunities
如今，越来越多的新闻读者倾向于在线阅读新闻，他们可以从多个来源获得数百万条新闻文章。为了帮助用户找到正确的和相关的内容，新闻推荐系统（NRS）的开发，以缓解信息过载的问题，并建议用户可能感兴趣的新闻项目。在本文中，我们强调了新闻推荐领域所面临的主要挑战，并从最先进的技术中找出了可能的解决方案。由于使用深度学习模型构建推荐系统的快速增长，我们将讨论分为两个部分。在第一部分中，我们概述了NRS中使用的传统推荐解决方案，数据集，准确性之外的评估标准和推荐平台。在第二部分中，我们解释了NRS中应用的基于深度学习的推荐解决方案。不同于以往的调查，我们还研究了新闻推荐对用户行为的影响，并试图提出可能的补救措施，以减轻这些影响。通过提供最先进的知识，这项调查可以帮助研究人员和实际专业人员了解新闻推荐算法的发展。它还揭示了潜在的新方向
2021-07-09 cs.IR
MIND Your Language: A Multilingual Dataset for Cross-lingual News Recommendation
针对现有新闻推荐缺乏多语言基准的问题，本文提出基于机器翻译的开放多语言数据集 xMIND，覆盖14种语言，并在零样本和少样本跨语言迁移场景下对多种神经新闻推荐器进行了基准测试，发现现有模型在跨语言迁移中存在显著性能损失。
2024-03-26 cs.IR
Enriching User Shopping History: Empowering E-commerce with a Hierarchical Recommendation System
Istanbul Technical University（伊斯坦布尔理工大学）；ITU AI Research and Application Center（伊斯坦布尔理工大学AI研究与应用中心）
针对用户跨平台购物导致历史不完整的问题，提出分层推荐系统，先预测缺失历史再推荐，显著提升NDCG@10和HR@10。
2024-03-15 cs.AI 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
Train Once, Use Flexibly: A Modular Framework for Multi-Aspect Neural News Recommendation
本文提出模块化框架MANNeR，通过学习方面专业化的新闻编码器并线性组合相似度分数，实现推理时多方面推荐的即时定制，免于重训练，且在多项任务上优于现有方法。
2024-09-20 cs.IR
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
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
Exploring Fine-tuning ChatGPT for News Recommendation
本研究探索微调ChatGPT用于新闻推荐，通过设计排序和评分两种提示，在MIND数据集上验证了微调可显著提升个性化推荐性能，并有效缓解冷物品问题。
2023-11-10 cs.IR
RecPrompt: A Self-tuning Prompting Framework for News Recommendation Using Large Language Models
本文提出首个面向新闻推荐的自调优提示框架 RecPrompt，结合提示优化器迭代改进推荐，并引入 TopicScore 评估可解释性，实验证明其多项指标优于深度神经模型。
2024-10-22 cs.IR
PrivateRec: Differentially Private Training and Serving for Federated News Recommendation
在个性化推荐系统中，对敏感个人数据的收集和训练会带来严重的隐私问题，而联邦学习通过在分散的用户数据上训练模型可以潜在地缓解这一问题。然而，在联邦推荐的训练和服务阶段，理论上的隐私解决方案是必要的，但仍然缺乏。此外，由于模型梯度和隐藏表示的高维特性，单纯地将差分隐私（DP）应用于联邦推荐的两个阶段将无法在隐私和效用之间实现令人满意的权衡。本文提出了一种在DP保证下的联合新闻推荐方法，以实现模型训练和在线服务的更好的效用。首先阐明了联合推荐系统生命周期中每一轮行为数据的DP定义。接下来，我们提出了一个隐私-基于公共基向量分解用户嵌入和扰动下层基向量的思想，尺寸组合系数我们应用随机行为填充机制来降低所需的噪音强度，以获得更好的实用性。此外，我们还设计了一种联邦推荐模型训练方法，该方法在为训练参与者提供DP的同时，能够生成有效的、公共的服务基本向量。我们通过标签置换和差分私有注意模块来避免大型模型的维度相关噪声。真实世界的新闻推荐数据集上的实验验证了我们的方法在DP保证下在联邦新闻推荐的训练和服务中都取得了优异的效用。
2022-12-14 cs.IR
The News Delivery Channel Recommendation Based on Granular Neural Network
针对传统新闻推荐受数据稀疏和扩展性限制的问题，提出基于粒神经网络的推荐模型，通过分析新闻属性匹配渠道，提升新闻关注度与媒体资源利用率。
2023-05-30 cs.IR
Topic-Centric Explanations for News Recommendation
本文提出一种主题感知的可解释新闻推荐模型，通过关联主题信息解释推荐理由，并引入一致性指标评估主题质量，在MIND数据集上优于多个基线系统且能生成可解释主题。
2023-10-06 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
NewsTorch: A PyTorch-based Toolkit for Learner-oriented News Recommendation
School of Computing, University of Otago（奥塔哥大学计算机学院）
本文提出NewsTorch，一个基于PyTorch的新闻推荐工具包，提供模块化框架和用户友好的GUI，支持数据集下载预处理及先进模型训练验证，促进学习者理解与实践。
2026-04-16 cs.AI cs.IR
Modeling Multi-interest News Sequence for News Recommendation
Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））
一种基于会话的新闻推荐系统，通过对用户在会话中阅读/点击的新闻序列中嵌入的潜在兴趣进行建模，向用户推荐下一个新闻。通常，用户的兴趣是多样的，即存在对应于不同类型的新闻的多个兴趣，例如，不同主题的新闻，在一个会话中。%对这种多重兴趣进行建模对于精确的新闻推荐至关重要。然而，大多数现有的方法通常忽略了这样的重要特性，从而无法区分和建模的用户的潜在的多种兴趣，阻碍了准确的推荐下一条新闻。因此，本文提出了多兴趣新闻序列（MINS）模型的新闻推荐。在MINS中，设计了一个基于自关注的新闻编码器，学习每一条新闻的信息嵌入，然后设计一个新的并行兴趣网络，提取新闻序列中潜在的多个兴趣，为后续的下一条新闻推荐做准备。在真实数据集上的实验结果表明，我们的模型可以实现比最先进的比较模型更好的性能。
2022-07-19 cs.AI cs.IR
Empowering Compact LLMs with Fusion of Layer-wise Exits for Recommendation
The University of Queensland（昆士兰大学）；Griffith University（格里菲斯大学）；Edith Cowan University（伊迪丝科文大学）；University of Notre Dame（圣母大学）
本文提出FLEXRec框架，通过在紧凑型LLM的Transformer层插入预测头并自适应融合，结合AC-Router与目标k铰链损失，在三个数据集上以Qwen 3 1.7B和Llama 3.2 3B实现紧凑型主干方法中最优准确率且效率高。
2026-08-28 cs.IR
Empowering Sequential Recommendation from Collaborative Signals and Semantic Relatedness
本文提出TSSR，一种双流架构，融合协同信号与语义相关性，通过分层对比模块对齐跨模态表示，提升序列推荐性能，并在五个数据集上验证了其优越性。
2024-09-19 cs.IR
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
Only Encode Once: Making Content-based News Recommender Greener
针对基于PLM的新闻推荐预训练-微调框架计算成本高、能耗大的问题，提出将新闻表示学习与下游任务解耦的OLEO框架，最多可减13倍碳排放且性能更优。
2023-08-27 cs.IR
