前言
-
ACL2020的一篇长文，主要介绍基于匹配思想进行新闻推荐改进的工作
该团队相关工作详见个人专题《新闻推荐研究》
-
背景/问题：
- 新闻推荐的核心是用户兴趣与候选新闻的匹配问题（matching）
- 重要的新闻语义特征也隐含在不同粒度(granularity)的文本段落中。
- 当前研究把用户表征成单一向量与候选新闻进行匹配，可能损失很多推荐的细粒度特征
-
主要工作/关键创新：
- 表征方面：提出多层级的用户/新闻表征，使用层级扩张卷积来构建表征(hierarchical dilated convolutions)
- 匹配方面：提出细粒度的兴趣匹配机制(Fine-grained Interest Matching),在多层表征的基础上构建不同粒度的文本段(特征)相似度矩阵，得到多通道的匹配度矩阵，使用3D-conv来提取高阶重要特征来预测用户和新闻的匹配程度(点击概率)
模型
整体模型架构如上所示
1. 新闻表征模块
同时，计算路径大大缩短,没有使用池化等下采样方法，降低了信息丢失的负面影响。在并行能力在减少内存消耗方面优于RNN和基于注意力的方法。
2. 交叉交互模块 Cross Interation
最后将这些相似度矩阵组织成3D结构的图像Q，这个需要有点变换思想，相当于原来的矩阵合并到一起应该是n(L+1)N_dkN_c，文中按照图片的组织形式进行展示，一张图片为nN_dk*N_c的三维空间，同时图片有多个通道(L+1)个：
然后通过多层3D卷积网络来进行特征提取：
3. 点击预测
实验
数据集MSN， 羡慕啊，能多开源点么。。。
总结
这篇文章利用HDC结构对用户建模做了改进，也使用简单粗暴的交互＋３DCNN进行了兴趣匹配／特征提取，模型相较该团队以往模型还是更有特点的。
END
本人简书所有文章均为原创，欢迎转载，请注明文章出处 。百度和CSDN等站皆不可信，搜索请谨慎鉴别。技术类文章一般都有时效性，本人习惯不定期对自己的笔记/博文进行更新，因此请访问本人简书主页查看最新信息https://www.jianshu.com/u/40d14973d97c
