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
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
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
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
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
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
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
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
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
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
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
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
IHGNN: Interactive Hypergraph Neural Network for Personalized Product Search
一个好的个性化产品搜索系统不仅要关注相关产品的检索，还要考虑用户的个性化偏好。最近关于PPS的工作主要采用表示学习范例，例如，从历史用户行为（又名）中学习每个实体（包括用户、产品和查询）的表示。用户-产品-查询交互）。然而，我们认为，现有的方法没有充分利用关键的合作信号，这是潜在的历史互动，以揭示实体之间的亲和力。协作信号有助于生成高质量的表示，利用协作信号将有利于一个节点从其连接的节点中进行表示学习。为了解决这个问题，在这项工作中，我们提出了一个新的模型IHGNN的个性化产品搜索。IHGNN利用历史用户-产品-查询交互行为构建的超图，能够完全保持三元关系，并基于拓扑结构表达协作信号。在此基础上，我们开发了一个特定的交互式超图神经网络来显式编码结构信息（即，协作信号）到嵌入过程中。它从超图邻居中收集信息，并显式地对邻居特征交互进行建模，以增强目标实体的表示。在三个真实世界数据集上进行的广泛实验验证了我们的提议相对于最先进技术的优越性。
2022-02-10 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
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
InteractiveSurvey: An LLM-based Personalized and Interactive Survey Paper Generation System
The Hong Kong Polytechnic University（香港理工大学）；Huawei Technologies Co., Ltd（华为技术有限公司）
针对人工撰写综述耗时费力、现有LLM方法缺乏个性化的问题，提出InteractiveSurvey系统，结合在线检索与用户上传参考文献，支持用户通过直观界面定制中间组件，生成结构化多模态综述，在内容质量和时间效率上均优于多数现有方法。
2025-03-31 cs.AI 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
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
A Contextual-Bandit Approach to Personalized News Article Recommendation
Yahoo! Labs（雅虎实验室）；Princeton University（普林斯顿大学）
个性化Web服务通过利用内容和用户信息来努力使其服务（广告、新闻文章等）适应个体用户。尽管最近取得了一些进展，但这个问题仍然具有挑战性，至少有两个原因。首先，Web服务的特点是动态变化的内容池，使传统的协同过滤方法不适用。其次，大多数具有实际意义的Web服务的规模要求解决方案在学习和计算方面都要快速。在这项工作中，我们建模的个性化推荐的新闻文章作为一个上下文强盗问题，一个原则性的方法，其中一个学习算法依次选择文章，以服务于用户的上下文信息的基础上，用户和文章，同时适应其文章选择策略的基础上，用户点击反馈，以最大限度地提高总用户点击。这项工作的贡献是三方面的。首先，我们提出了一个新的，一般的上下文强盗算法，是计算效率和学习理论的动机。其次，我们认为，任何强盗算法可以可靠地评估离线使用以前记录的随机流量。最后，使用这种离线评估方法，我们成功地将我们的新算法应用到一个雅虎！Front Page Today模块数据集包含超过3300万个事件。结果显示，与标准的上下文无关的强盗算法相比，点击提升了12.5%，当数据变得更加稀缺时，优势变得更大。
2012-03-01 cs.AI cs.IR cs.LG
The Graph-Based Behavior-Aware Recommendation for Interactive News
Peking University（北京大学）；University of Chicago（芝加哥大学）；National Computer Network Emergency Response Technical Team/Coordination Center of China（国家计算机网络应急技术处理协调中心）
互动新闻推荐上线，近期备受关注。在这种场景下，用户的行为从单击行为演变为包括点赞、评论、分享等多种行为。然而，现有的大多数方法仍然使用单击行为作为判断用户偏好的唯一标准。此外，虽然异构图已被应用在不同的领域，一个适当的方式来构建一个异构图的交互式新闻数据与适当的学习机制，它仍然是期望的。为了解决上述问题，我们提出了一个基于图的行为感知网络，它同时考虑了六种不同类型的行为以及用户对新闻多样性的需求。我们有三个主要步骤。首先，我们建立了一个多层次和多类别数据的交互行为图。其次，我们在行为图上应用DeepWalk来获取实体语义，然后构建一个基于图的卷积神经网络G-CNN来学习新闻表示，以及一个基于注意力的LSTM来学习行为序列表示。第三，在行为图中引入了核心度和核度特征，用来度量用户兴趣的集中程度。这些特征影响了我们的个性化推荐系统的准确性和多样性之间的权衡。考虑到这些特点，我们的系统最终实现了新闻推荐给不同的用户在其不同的集中程度。
2021-05-20 cs.IR cs.LG stat.ML
Content Filtering Enriched GNN Framework for News Recommendation
了解准确的用户和新闻表征是新闻推荐的关键。尽管取得了很大的进步，现有的方法似乎有很强的偏见，内容表示或只是捕捉协同过滤关系。然而，这些方法可能会受到数据稀疏性问题（用户-新闻交互行为稀疏性问题）的影响，或者可能会受到高流行度新闻（或用户）的影响。在本文中，为了解决这些限制，我们提出了内容过滤丰富的GNN框架的新闻推荐，ConFRec在短。它与现有的基于GNN的新闻推荐方法兼容，可以同时捕获协作和内容过滤信息。在真实新闻推荐数据集上进行了全面的实验，以证明ConFRec在新闻推荐基线模型上的有效性。
2021-10-25 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
Personalized Recommender System for Children's Book Recommendation with A Realtime Interactive Robot
Fandou Information Technology Co. Ltd.（饭豆信息技术有限公司）；Carnegie Mellon University（卡内基梅隆大学）
本研究针对儿童-机器人交互环境，提出结合逆过滤文本搜索、贝叶斯网络兴趣预测及领域同义词关联的个性化图书推荐系统，在嵌入式设备上实现高效运行。
2023-05-08 cs.AI cs.IR
TimeMachine: Entity-centric Search and Visualization of News Archives
我们提出了一个动态的网络工具，允许使用以实体为中心的方法进行交互式搜索和可视化的大型新闻档案。用户能够使用表达新闻故事或事件的关键词短语来搜索实体，并且系统基于自动提取和索引的实体简档来检索与用户查询最相关的实体。从计算新闻学的角度来看，TimeMachine允许用户使用从新闻文章中提取的同现网络中自动识别实体名称，工作，引用和实体之间的关系来探索媒体内容。TimeMachine演示可在http://maquinadotempo.sapo.pt/上获得
2016-01-05 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
Enhancing News Recommendation with Hierarchical LLM Prompting
VinUniversity HaNoi VietNam（越南河内 Vin 大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；University of Technology Sydney（悉尼技术大学）
本文提出PNR-LLM方法，利用LLM生成能力丰富新闻标题和摘要的深层语义与实体信息，并通过注意力机制聚合数据形成统一嵌入，显著提升了个性化新闻推荐效果。
2025-04-29 cs.AI 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
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
Interactive Visualization Recommendation with Hier-SUCB
本文针对个性化可视化推荐缺乏交互性和实时反馈适应能力的问题，提出基于用户反馈学习的交互式PVisRec系统，并设计Hier-SUCB上下文组合半老虎机算法，在理论上改善遗憾界，实验证明其优于其他老虎机算法且可与离线方法相媲美。
2025-04-08 cs.IR
Controlled Personalization in Legacy Media Online Services: A Case Study in News Recommendation
University of Klagenfurt（克雷格弗尔特大学）；University of Bergen（卑尔根大学）
本文通过A/B测试评估了传统新闻媒体在在线平台上采用受控个性化策略的效果，发现适度的个性化能提高点击率、减少导航努力、增加内容多样性和目录覆盖，并降低流行度偏差，从而在满足用户需求的同时维护编辑价值。
2026-05-22 cs.AI cs.IR
Multi-Faceted Ranking of News Articles using Post-Read Actions
个性化文章推荐对于提高新闻网站的用户参与度非常重要。现有的工作主要通过点击率来量化参与度。我们认为，推荐的质量可以通过结合不同类型的“阅读后”参与信号，如分享，评论，打印和电子邮件文章链接来提高。更具体地说，我们提出了一个多方面的排名问题，推荐新闻文章，每个方面对应的排名问题，以最大限度地提高行动的阅读后的行动类型。关键的技术挑战是通过减轻巨大的数据稀疏性的影响来估计读后操作类型的比率，我们通过因子模型的几种变体来实现。为了利用读后动作类型之间的相关性，我们还引入了一种新的变体，称为局部增强张量（LAT）模型。通过从美国一个主要的新闻网站获得的数据，我们表明，因子模型显着优于一些基线IR模型和LAT模型显着优于其他几个变量的因子模型。我们的研究结果表明，它是可能的，以提高推荐质量的在线新闻网站上常见的阅读后信号。
2012-05-03 cs.IR
End-to-end Learnable Diversity-aware News Recommendation
多样性是提供高质量个性化新闻推荐的重要因素。然而，现有的新闻推荐方法大多只关注推荐准确率，而忽略了多样性。重新排序是一种广泛使用的后处理技术，以促进顶部推荐结果的多样性。然而，推荐模型并不完美，并且错误可能在级联推荐算法中传播和放大。此外，推荐模型本身并不具有多样性，这使得很难在推荐准确性和多样性之间实现良好的权衡。在本文中，我们提出了一种名为LeaDivRec的新闻推荐方法，这是一个完全可学习的模型，可以以端到端的方式生成多样性感知的新闻推荐。不同于现有的新闻推荐方法，通常是基于点或成对排序，在LeaDivRec中，我们提出了一个更有效的列表式新闻推荐模型。更具体地说，我们提出了一个置换Transformer来考虑候选新闻之间的相关性，同时可以学习不同的表示相似的候选新闻，以帮助提高推荐的多样性。我们还提出了一种有效的列表式训练方法来学习准确的排名模型。此外，我们提出了一个多样性感知的正则化方法，以进一步鼓励模型作出可控的多样性感知的建议。在两个真实数据集上的大量实验验证了该方法在平衡推荐准确性和多样性方面的有效性。
2022-04-01 cs.IR
Towards Analyzing the Bias of News Recommender Systems Using Sentiment and Stance Detection
在线新闻提供商使用新闻推荐系统来减轻信息过载并向用户提供个性化内容。然而，算法新闻策展被假设为创造过滤泡沫并加强用户的选择性曝光，可能会增加他们对两极分化的意见和假新闻的脆弱性。在本文中，我们展示了如何利用新闻项目的立场和情感信息来分析和量化推荐系统遭受偏见的程度。为此，我们已经注释了德国新闻语料库的主题，使用立场检测和情感分析的移民。在四个不同的推荐系统的实验评估中，我们的结果显示，所有四个模型都有轻微的倾向，推荐文章的负面情绪和立场对难民和移民的话题。此外，我们观察到基于文本的评论者的情感和立场偏见与预先存在的用户偏见之间存在正相关关系，这表明这些系统放大了用户的意见，降低了推荐新闻的多样性。知识感知模型似乎是最不容易出现这种偏差的模型，其代价是预测准确性。
2022-03-11 cs.IR
Show Me the Whole World: Towards Entire Item Space Exploration for Interactive Personalized Recommendations
用户兴趣挖掘是推荐系统中一个重要而又具有挑战性的课题，它体现了推荐模型和用户-项目交互之间的闭环效应。上下文强盗（CB）算法努力在探索和利用之间做出很好的权衡，使用户的潜在兴趣有机会暴露。然而，经典的CB算法只能应用于一个小的，抽样的项目集（通常数百），这迫使推荐系统中的典型应用仅限于候选人后排名，主页顶部项目排名，广告创意选择，或在线模型选择（A/B测试）。在本文中，我们介绍了两个简单但有效的分层CB算法，使一个经典的CB模型（如LinUCB和汤普森采样）能够探索用户的兴趣在整个项目空间，而不限于一个小的项目集。我们首先通过自底向上的聚类算法构建一个层次项目树，以粗到细的方式组织项目。然后，我们提出了一个层次CB（HCB）算法来探索用户的兴趣层次树。HCB算法将探索问题看作是一系列决策过程，目标是找到一条从根节点到叶子节点的路径，并将反馈信息反向传播到路径上的所有节点，进而提出了一种渐进式层次CB（pHCB）算法，该算法逐步扩展达到一定置信度的可见节点进行探索，以避免在顺序决策过程中对上层节点的误导性操作。在两个公共推荐数据集上的实验证明了该方法的有效性和灵活性。
2021-10-19 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
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
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
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
Multi-Aggregator Time-Warping Heterogeneous Graph Neural Network for Personalized Micro-Video Recommendation
Georgia State University（佐治亚州立大学）
针对现有微视频推荐未充分考虑新闻类内容高时效性、用户兴趣动态变化等问题，提出多聚合器时间扭曲异构图神经网络MTHGNN，通过多聚合器挖掘偏好、捕捉时序动态并兼顾时效性，在对比实验中表现优于现有最优方法。
2025-03-21 cs.AI 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
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
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
Exploration in Interactive Personalized Music Recommendation: A Reinforcement Learning Approach
National University of Singapore（新加坡国立大学）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）
当前的音乐推荐系统通常通过推荐具有最高用户评级的歌曲来以贪婪的方式起作用。然而，贪婪的推荐从长远来看是次优的：它不会主动收集用户偏好的信息，也不会推荐可能感兴趣的新颖歌曲。一个成功的推荐系统必须平衡探索用户偏好和利用这些信息进行推荐的需求。本文提出了一种新的音乐推荐方法，将这种探索-利用权衡公式化为一种称为多臂强盗的强化学习任务。为了学习用户偏好，它使用贝叶斯模型，该模型考虑了音频内容和推荐的新颖性。采用分段线性近似模型和变分推理算法来加快贝叶斯推理。我们的方法的另一个好处是音乐推荐和播放列表生成的单一统一模型。模拟结果和用户研究表明，新方法的强大潜力。
2013-11-06 cs.IR cs.LG cs.MM
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
Interactive Narrative Analytics: Bridging Computational Narrative Extraction and Human Sensemaking
Universidad Católica del Norte（智利北方大学）
本文提出交互式叙事分析，结合计算叙事提取与交互式可视化，以提升大规模新闻和社交媒体中的叙事认知处理能力。
2026-01-16 cs.AI cs.CL cs.CY
Preference-based learning for news headline recommendation
Université Laval（拉瓦尔大学）；Mila – Quebec AI Institute（魁北克AI研究所）
该研究在上下文赌博机框架下利用法语新闻互动数据训练标题推荐智能体，发现噪声上下文场景中无需显式探索即可获得简单高效的推荐策略。
2025-05-31 cs.IR cs.LG
How Fake News Affect Trust in the Output of a Machine Learning System for News Curation
人们越来越多地消费由机器学习（ML）系统策划的新闻。受算法偏见研究的启发，本文探讨了用户信任算法新闻策展系统的哪些推荐，以及这种信任如何受到虚假新闻等不可信新闻故事的影响。在一项对82名具有IT背景的职业学校学生的研究中，我们发现用户能够提供信任评级，将优质新闻故事的值得信赖的推荐与不值得信赖的推荐区分开来。然而，一个不值得信赖的新闻故事与四个值得信赖的新闻故事相结合，被评为类似的五个值得信赖的新闻故事。这些结果可能是第一个迹象，表明不值得信赖的新闻故事受益于出现在值得信赖的背景下。结果还显示了用户对新闻策划系统的推荐进行评级的能力的局限性。我们讨论了交互式机器学习系统的用户体验的影响。
2020-08-05 cs.HC cs.IR
Learning to Select Historical News Articles for Interaction based Neural News Recommendation
Renmin University of China（中国人民大学）
个性化新闻推荐的关键是准确、高效地将用户的兴趣与候选新闻进行匹配。现有的方法大多将用户兴趣嵌入到一个表示向量中，然后通过与候选新闻向量进行比较来推荐。在这样的工作流中，细粒度的匹配信号可能丢失。最近的研究试图通过对候选新闻和用户浏览的每篇新闻文章之间的细粒度交互进行建模来覆盖这一点。尽管有效性有所提高，但这些模型的在线计算成本要高得多。因此，以有效的方式利用有效的互动仍然是一个棘手的问题。为了解决这个问题，我们提出了一个具有学习选择机制的端到端选择性细粒度交互框架（SFI）。SFI可以快速选择信息丰富的历史新闻，而不是将所有历史新闻都输入交互。候选人，并排除其他人从以下计算。我们授权选择是稀疏和自动的，这分别保证了效率和有效性。在公开可用的数据集MIND上进行的大量实验验证了SFI相对于最先进方法的优越性：仅选择五条历史新闻，它就可以将AUC显著提高2.17%，同时，它的速度是最先进的基于交互的模型的四倍。
2021-10-13 cs.AI cs.IR
Is This News Still Interesting to You?: Lifetime-aware Interest Matching for News Recommendation
Hanyang University（翰林大学）；Chung-Ang University（Chung-Ang 大学）
本文提出终身感知兴趣匹配框架LIME，通过用户-主题年龄表示、候选感知终身注意力和新鲜度引导兴趣精炼，解决新闻推荐中用户兴趣持续性与新闻生命周期建模问题，并在两个真实数据集上显著优于现有方法。
2025-08-18 cs.IR cs.LG
Neural News Recommendation with Attentive Multi-View Learning
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）；University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）
个性化新闻推荐对于在线新闻平台帮助用户找到感兴趣的新闻、提升用户体验至关重要。新闻和用户表示学习对于新闻推荐至关重要。现有的新闻推荐方法通常基于单个新闻信息来学习这些表示，例如，标题，这可能是不够的。在本文中，我们提出了一个神经新闻推荐方法，可以学习信息表示的用户和新闻利用不同种类的新闻信息。我们的方法的核心是一个新闻编码器和一个用户编码器。在新闻编码器中，我们提出了一个专注的多视图学习模型，将标题，主体和主题类别视为新闻的不同视图来学习统一的新闻表示。此外，我们将文字层级和观点层级的注意力机制应用于新闻编码器，以选择重要的文字和观点来学习资讯性新闻表征。在用户编码器中，我们根据用户浏览的新闻来学习用户的表征，并应用注意力机制来选择信息性新闻进行用户表示学习。在真实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性能。
2019-07-12 cs.CL cs.IR cs.LG
Improving News Ranking by Community Tweets
用户经常通过简短和一般的查询来表达他们的信息需求，这些查询很难被排名算法正确解释。然而，用户的社交环境可以提供关于他们的信息需求的重要附加信息，这些信息可以被排名算法利用以提供增强的个性化结果。现有的方法大多依赖于用户的个人行为数据，如点击流和日志数据，但因此遭受数据稀疏和隐私问题。在这里，我们提出了一个社区推文投票模型（CTVM）重新排名谷歌和雅虎新闻搜索结果的基础上，开放的，大规模的Twitter社区数据。实验结果表明，CTVM优于基线排名从谷歌和雅虎某些在线社区。我们提出了一个应用场景的CTVM，并提供了进一步的研究议程。
2012-03-09 cs.IR cs.SI
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
CFDA & CLIP at TREC iKAT 2025: Enhancing Personalized Conversational Search via Query Reformulation and Rank Fusion
National Chengchi University（国立成功大学）
本文针对 TREC iKAT 2025 的交互式与离线任务，提出基于查询改写、Best-of-N 选择和 RRF 排序融合的检索流水线，在提升鲁棒性的同时揭示了效果与效率的权衡。
2025-09-19 cs.AI cs.IR
