17、新闻推荐与知识图谱推荐的创新方法

新闻推荐与知识图谱推荐的创新方法

在当今信息爆炸的时代，推荐系统对于用户高效获取有价值的信息起着至关重要的作用。下面将为大家介绍两种在推荐系统领域具有创新性的方法，分别是超图增强对比学习的新闻推荐方法（HGCL）和基于强化学习并结合用户评论的知识图谱推荐方法（RKGR - UR）。

1. 超图增强对比学习的新闻推荐（HGCL）

HGCL方法主要致力于解决用户兴趣复杂且细粒度的建模问题，通过引入用户意图交互学习和超图结构学习来提升新闻推荐的效果。

1.1 意图交互学习的有效性

用户的兴趣通常是复杂且细粒度的，传统的单用户嵌入方法（如NRMS、NPA和NAML）难以全面建模用户的整体兴趣。而HGCL提出了用户意图交互建模框架，通过构建注意力意图表示来表达复杂和细粒度的用户兴趣。

1.2 超图结构学习的有效性

HGCL在性能上始终优于基于图神经网络的方法，这得益于其丰富的对比学习目标。与仅在传统图上进行视图比较的NCL方法相比，HGCL选择从对比的角度进行意图交互和超图结构学习，表明超图在复杂数据的表示方面有很大的提升，增强了基于GNN范式的判别能力，并捕捉了用户之间复杂的高阶依赖关系。

1.3 消融实验

为了验证HGCL各建模方法的有效性，进行了消融实验，删除超图结构对比学习和意图交互学习模块后，性能均出现了下降，这证明了HGCL的合理性和有效性。具体表现如下：
| 模型 | AUC | MRR | nDCG@5 | nDCG@10 |
| — | — | — | — | — |
| HGCL w/o I&H | 67.91 | 33.