基于图神经网络的个性化新闻推荐算法研究.pdfVIP

基于图神经网络的个性化新闻推荐算法研究

摘要

随着互联网媒体技术的不断发展，新闻资讯层出不穷，淹没了人们对于信息

获取的基本需求。如何帮助人们从纷繁复杂的数据中提取符合用户兴趣偏好的新

闻是目前主流新闻平台亟需解决的关键问题之一。因此，个性化推荐系统应运而

生，其强大的信息挖掘和兴趣匹配能力能够帮助用户快速找到感兴趣的内容，目

前已在主流在线新闻平台和短视频App中得到广泛应用。

现有的新闻推荐方法对于用户兴趣建模角度单一，对于用户历史点击新闻序

列信息挖掘深度不足，提取出的用户特征并不能全面地反映用户的兴趣变化。同

时，采用直推式的推荐方法难以快速拟合新产生的用户/新闻节点。另一方面，过

于追求准确性的方法，导致用户陷入“信息茧房”问题。已有的下游重排序多样

化方法产生的推荐列表往往是次优的。针对上述问题，本文分别提出针对准确性

和多样性的新闻推荐改进算法，并进行了系统实现，其主要工作如下：

（1）提出了全局图增强的图注意力网络模型GGE-GAT，以全局采样子图的

方式聚合邻居节点信息。同时，综合考虑用户历史时序特征和类别特征，多层级

地对用户兴趣建模。并且利用GAT实现归纳式的学习方法，将节点信息传递转换

为模式归纳，实现了对新节点的快速处理。在MIND数据集上大量的对比和消融

实验表明，本文提出的算法在AUC等四个指标上分别有0.46、0.26、0.33和0.4

的提升，验证了模型的有效性。

（2）提出一种基于GGE-GAT的多样化方法。该方法包括三个方面，第一，

对原来的GAT聚合的邻居新闻节点进行基于流行度的过滤；第二，采用一种类间

负采样方法，对正类新闻进行细粒度的区分；第三，提出一种专注于长尾项目的

损失重加权方法。通过在MIND数据集大量的实验结果表明，DGGE-GAT方法相

比基线网络，在Recall损失较小的情况下，在Coverage、Entropy和GiniIndex上

分别获得12.54、0.468和0.1348的提升，验证了提出的多样化方法的有效性。

（3）基于上述个性化和多样化新闻推荐算法，本文设计并实现了一个新闻

推荐系统，实现用户新闻推荐、用户行为记录、新闻发布与下架等基本功能。采

用前后分离式框架，将应用、业务和算法剥离。通过在算法层加入个性化和多样

化算法，有效提高了用户对新闻推荐系统的满意度。

关键词：个性化新闻推荐，图神经网络，推荐多样性，全局图增强

ResearchonPersonalizedNewsNecommendatitionAlgorithm

BasedonGraphNerualNetwork

ABSTRACT

WiththecontinuousdevelopmentofInternetandmediatechnologies,avastamount

ofnewsinformationhasabound,inundatingthefundamentalneedforinformation

retrievalamongindividuals.Thepivotalissuecurrentlyfacedbymainstreamnews

platformsishowtoassistindividualsinextractingnewscontenttailoredtotheirinterests

fromtheplethoraofdata.Therefore,personalizedrecommendationsystemshave

emerged,withrobustcapabilitiesininformationminingandinterestmatching,enabling

userstoswiftlydiscovercontentalignedwiththeirpreferences.Thesesystemshave

alreadyfoundwidespreadappl