基于全局的图增强的新闻推荐算法

新闻App是人们日常生活中获取信息来源的重要方式。在2010年左右，国外比较火的新闻App包括Zite和Flipboard等等，而国内比较火的新闻App主要是四大门户。而随着今日头条为代表的新时代新闻推荐产品的火爆，新闻App进入了全新的时代。而科技公司，不管哪一家，只要掌握了高精尖的新闻推荐算法技术，就基本在技术层面掌握了主动权和话语权。

今天，我们来看一篇 RecSys 2023 的最佳长论文提名奖论文 —— Going Beyond Local: Global Graph-Enhanced Personalized News Recommendations。这篇论文提出了一种全新的基于内容相似度计算的算法，用来进行新闻推荐。

该算法的整体架构图如下图所示：

我们首先按照如下方式定义新闻文本内容（我们这里只利用新闻标题）的词向量 X ：

新闻的局部词向量特征可以按照如下方式进行表示：

这个公式是用户侧的特征表示。我们下面定义, 也就是局部实体特征。其实就是把所有的新闻标题拼成一个数组，然后再用上面的公式计算出来。

上面我们介绍的是局部特征表达和用户侧的特征表达。我们下面用 GNN 来表达全局的新闻侧特征向量：

全局新闻侧特征向量的最终表达其实就是把这些特征向量拼在一起：

整个新闻推荐系统的最终训练损失函数如下：

下面，我们来看一下实验对比效果：

经过对比（上表），我们发现我们新设计的算法（GLORY）在许多指标上都要优于同类算法，因此是不可多得的优秀的新闻推荐算法。整个算法设计思路非常简单，但是却用到了重量级的深度学习技术。想必作者在设计算法的过程中做了很多手艺类的工作，使得算法最终的效果达到了出类拔萃的程度。

下面是利用不同的 Graph Encoder 给新闻类文本编码的实验对比效果。可以看到，使用 GNN 得到的效果最优：

GLORY 是近年来出现的非常优秀的新闻推荐算法。虽然该算法没有逃脱基于内容的相似度计算的老旧框架，但是新瓶装旧酒，作者充分利用了新的技术，套在老的套娃里，产生了新的价值。这篇论文，非常值得我们认真学习。

　　图片使用申明：原创文章图片源自‘Canva可画’平台免费版权图片素材；引用文章源自引用平台文章中所使用的原图。