16、用于新闻推荐的超图增强对比学习

用于新闻推荐的超图增强对比学习

一、引言

随着新闻信息的爆炸式增长，新闻推荐在满足用户兴趣和提供个性化内容方面的作用愈发重要。合适的用户兴趣建模对于新闻推荐来说至关重要，它有助于更好地学习用户和新闻的表示。

早期的方法通常从新闻内容构建用户表示，并使用注意力机制来捕捉用户兴趣。近年来，图神经网络（GNNs）成为一种技术趋势，它将用户 - 新闻交互建模为二分图，能有效地将多跳邻居信息整合到表示中，基于GNN的模型在推荐任务中取得了不错的性能。

然而，当前基于图的方法存在两个问题：
1. 用户意图问题 ：现有的基于GNN的方法无法在细粒度的意图层面识别用户 - 物品关系，而这种细粒度的意图表示能更准确地建模用户兴趣。例如，用户u1浏览新闻i2可能是因为朋友u2浏览过，但细粒度的意图关系u1 - e1 - i2表明u1选择i2是因为其对体育主题的兴趣。
2. 过平滑协作效应问题 ：在应用图神经网络时，更深的嵌入传播层会导致过平滑问题。随着图传播层的增加，不同用户的嵌入表示变得难以区分，限制了高阶协作关系的表达。

为解决上述问题，提出了一种新颖的超图增强对比学习模型（HGCL），它由两个组件组成：
1. 意图交互学习模块 ：构建意图节点，基于不同行为模式提取用户对新闻主题的注意力权重，在主题层面构建细粒度的用户意图，并将其嵌入到用户和新闻的表示中。同时，利用多头自注意力机制，结合新闻的语义表示和ID嵌入，进一步增强新闻表示。
2. 超图结构学习模块 ：采用超图神经网络，设计超边聚