基于全局的图增强的新闻推荐算法

作者 | 汪昊

审校 | 重楼

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，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 （论文下载地址：//m.sbmmt.com/link/195d221c982e47eb58347e5d06ce3180

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。

作者介绍

汪昊，前 Funplus 人工智能实验室负责人。曾在 ThoughtWorks、豆瓣、百度、新浪等公司担任技术和技术高管职务。在互联网公司和金融科技、游戏等公司任职 13 年，对于人工智能、计算机图形学、区块链和数字博物馆等领域有着深刻的见解和丰富的经验。在国际学术会议和期刊发表论文39 篇，获得IEEE SMI 2008 最佳论文奖、ICBDT 2020 / IEEE ICISCAE 2021 / AIBT 2023 / ICSIM 2024最佳论文报告奖。