简化基于内容的神经新闻推荐：用户建模和训练目标
摘要：个性化新闻推荐的出现引发了越来越复杂的推荐架构。大多数神经网络新闻推荐器依赖于用户的点击行为，并通常引入专门的用户编码器来将点击新闻的内容聚合成用户嵌入（早期融合）。这些模型主要是通过标准的点对点分类目标进行训练的。现有的研究存在两个主要不足之处：（1）尽管设计基本一致，但由于评估数据集和协议的不同，模型之间的直接比较受到阻碍；（2）它未探索替代的模型设计和训练目标。在这项工作中，我们提出了一个统一的新闻推荐框架，可以在几个关键的设计维度上对新闻推荐器进行系统和公平的比较：（i）在用户建模中考虑候选项，（ii）点击行为融合，以及（iii）训练目标。我们的研究结果挑战了神经网络新闻推荐的现状。我们表明，用候选项和点击新闻嵌入之间的参数高效点积（后期融合）替换大型用户编码器往往能够显著提高性能。此外，我们的结果显示，反差训练是点对点分类目标的一个可行替代方案。
作者：Andreea Iana, Goran Glavav{s}, and Heiko Paulheim
论文ID：2304.03112
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-04-07