[发明专利]一种基于兴趣感知和用户相似度的新闻推荐方法

说明书

本发明涉及一种基于兴趣感知和用户相似度的新闻推荐方法，属于计算机自然语言处理技术领域。本方法首先通过并行卷积神经网络对新闻的标题、正文和实体进行学习以获得初始新闻表征。然后通过门控循环单元和嵌入层捕获并融合用户短期和长期兴趣表征，以全面学习用户表征。同时，利用双重注意力机制捕获朋友对用户兴趣的影响，并通过用户的不同属性信息增强用户的表征。最后，联合新闻表征、用户表征和增强的用户表征进行推荐。本方法充分利用了多种用户属性信息，可以获取到更全面的用户表征、更准确的用户偏好表示，提高用户的满意度。

技术领域

本发明涉及一种基于兴趣感知和用户相似度的新闻推荐方法，属于计算机自然语言处理技术领域。

背景技术

随着互联网的飞速发展，新闻网站或移动终端APP中的新闻数量越来越多，用户很难从中挑选自己出真正想要阅读的新闻，这个问题被称为信息过载。

新闻推荐技术，可以有效缓解信息过载，帮助用户从众多的资源中筛选新闻并推送其可能感兴趣的新闻。为了吸引更多的流量到它们的网站，新闻网站和媒体纷纷在其商业系统中嵌入推荐算法，为每个用户定制新闻，提升用户体验。

向新闻读者推荐适当且相关的新闻，是一项具有挑战性的任务。不同于其他推荐领域(如推荐电影、音乐和书籍等)，新闻推荐具有阅读时间短、保质期短、及时性要求非常高以及极易受社交媒体影响等特点。这就要求在进行新闻推荐时，要考虑新闻的报道时间、新颖性、受欢迎程度以及未来趋势等因素。

新闻推荐领域的另一个重要挑战是高度动态的用户行为。新闻读者可能会有长期或短期的偏好，这些偏好会随着时间逐渐或突然地演变。另外，由于虚假新闻的存在，导致在进行新闻推荐时候，更加看重新闻内容的质量。

有研究人员将新闻推荐视为一个点击率预测任务，即，给定一个用户未读过的新闻，并预测用户点击这个新闻的概率。最早的新闻推荐相关工作，是运用机器学习方法对用户和新闻文本进行建模。之后，深度学习和自然语言处理技术被用于新闻文本中的语义学习，进一步提高了推荐的准确率。近几年，研究人员又将注意力集中到了利用“用户-新闻”的交互数据构建各种图结构上，尝试对构建的不同图信息进行探索，以挖掘更深层的信息。

尽管现有方法在新闻推荐中取得了一定的成效，但是，为了进一步提高新闻推荐的准确性和可解释性，还需要考虑一些关键问题。

首先，在新闻推荐场景中，存在着丰富的用户属性信息。异构图作为一种强大的信息建模方法，已经被广泛证明可以对推荐系统中复杂的异构信息进行表征，并从基于图的表示中提取重要知识，从而达到提高性能的目的。因此，通过用户-新闻交互数据和各种新闻用户属性构建异构图来学习更全面的用户和新闻表征，对于提高推荐性能是非常有必要的。

其次，目前的新闻推荐模型很少能向用户提供解释。可解释性的推荐系统有助于提高推荐的有效性和说服力，从而提高用户的满意度。

因此，在新闻推荐过程中，利用丰富的辅助信息增强用户和新闻表征，并给出通俗易懂的推荐解释，对于提高推荐性能至关重要。

发明内容

本发明的目的是为了克服现有的新闻推荐方法未能全面利用用户属性信息、可解释性不足等缺陷，创造性地提出一种基于兴趣感知和用户相似度的新闻推荐方法，能够显著提高新闻推荐性能并提高推荐可解释性。

本方法的创新点在于：从新闻角度出发，挑选用户地域、使用设备和阅读环境等用户属性信息，联合“用户-新闻”交互数据来构建异构图，并挖掘用户的长短期兴趣进行推荐。

首先，通过并行卷积神经网络对新闻的标题、正文和实体进行学习以获得初始新闻表征。然后，通过门控循环单元和嵌入层捕获并融合用户短期和长期兴趣表征，以全面学习用户表征。同时利用双重注意力机制捕获朋友对用户兴趣的影响，并通过用户的不同属性信息增强用户的表征。最后，联合新闻表征、用户表征和增强的用户表征进行推荐。