基于用户隐式反馈信号和多维度兴趣的新闻推荐算法

用户偏好建模是提升个性化新闻推荐质量的关键因素。现有的研究通常将任务建模为点击率预估任务,从用户的显式反馈信号入手,构造兴趣表征。然而,由于显式反馈信号的匮乏以及用户兴趣的多样化和多变化,目前的新闻推荐方法往往存在数据稀疏和信息茧房的问题。提出了一种基于用户隐式反馈信号和多维度兴趣的新闻推荐算法。通过引入用户曝光未点击这类隐式反馈信号,缓解推荐模型建模时的数据稀疏问题,提出对比注意力机制对用户点击和未点击新闻进行融合建模。此外,还提出了基于候选新闻感知的用户动态兴趣建模和动静态兴趣的对比学习建模,最终得到多维度用户兴趣表征,以实现丰富、准确、动态更新的用户偏好定位。该研究在真实数据集上进行了大量实验,用三种评价指标以及多种性能测试与其他基线方法进行比较,验证了提出的模型优于其他方法。