典型文献
增强列表信息和用户兴趣的个性化新闻推荐算法
文献摘要：
随着数据信息的不断扩增,点对点推荐模型作为深度学习中常用的推荐算法,能一定程度上解决信息过载的问题.但其仅通过单个用户与单个新闻预测得分,未利用新闻列表之间的交互信息.为了提升个性化推荐的质量,如何充分利用用户的历史信息、新闻的文本语义信息和列表信息等,以精准全面地表征用户和新闻是当前新闻推荐系统亟待解决的问题.对此,提出了一种增强列表信息和用户兴趣的新闻个性化推荐算法.利用用户历史点击新闻序列与新闻数据训练点对点模型进行特征构造,实现用户兴趣的个性化信息抽取,通过注意力网络处理用户与整个新闻列表特征来增强列表信息,实现直接对全局列表的推荐排序.实验结果表明,此种增强列表信息和用户兴趣的个性化推荐算法能够建模全局列表信息,与前沿的新闻推荐算法相比效果有显著提升.
文献关键词：
推荐算法;列表排序算法;注意力网络;用户个性化;新闻推荐
中图分类号：
作者姓名：
蒲岍岍;雷航;李贞昊;李晓瑜
作者机构：
电子科技大学信息与软件工程学院 成都610054
文献出处：
引用格式：
[1]蒲岍岍;雷航;李贞昊;李晓瑜-.增强列表信息和用户兴趣的个性化新闻推荐算法)[J].计算机科学,2022(06):142-148
A类：
新闻列表,新闻个性化推荐,列表排序算法
B类：
用户兴趣,个性化新闻,新闻推荐算法,点对点,推荐模型,信息过载,交互信息,用用,历史信息,文本语义,语义信息,征用,新闻推荐系统,点击,新闻数据,数据训练,训练点,特征构造,现用,个性化信息,信息抽取,注意力网络,用户个性化
AB值：
0.271152
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
