[论文解读] HieRec: Hierarchical User Interest Modeling for Personalized News Recommendation

Tao Qi, Fangzhao Wu+5 more|arXiv (Cornell University)|Jun 8, 2021

Recommender Systems and Techniques参考文献 31被引用 5

一句话总结

HieRec 提出了一种用于个性化新闻推荐的层次化用户兴趣建模框架，采用三级结构——子主题、主题和用户层级，以捕捉多样化且多粒度的用户兴趣。通过在多个粒度上匹配候选新闻与用户兴趣，HieRec 在真实世界数据集上显著提升了推荐准确率和多样性，优于单一嵌入基线方法。

ABSTRACT

User interest modeling is critical for personalized news recommendation. Existing news recommendation methods usually learn a single user embedding for each user from their previous behaviors to represent their overall interest. However, user interest is usually diverse and multi-grained, which is difficult to be accurately modeled by a single user embedding. In this paper, we propose a news recommendation method with hierarchical user interest modeling, named HieRec. Instead of a single user embedding, in our method each user is represented in a hierarchical interest tree to better capture their diverse and multi-grained interest in news. We use a three-level hierarchy to represent 1) overall user interest; 2) user interest in coarse-grained topics like sports; and 3) user interest in fine-grained topics like football. Moreover, we propose a hierarchical user interest matching framework to match candidate news with different levels of user interest for more accurate user interest targeting. Extensive experiments on two real-world datasets validate our method can effectively improve the performance of user modeling for personalized news recommendation.

研究动机与目标

• 为解决单用户嵌入方法在捕捉新闻推荐中多样化和多粒度用户兴趣方面的局限性。
• 在三个层次上建模用户兴趣：细粒度子主题、粗粒度主题以及整体用户兴趣。
• 开发一种层次化匹配框架，实现候选新闻与用户兴趣在不同粒度上的对齐，以实现更精准的定位。
• 通过显式建模兴趣异质性，提升推荐性能与多样性。

提出的方法

• HieRec 构建了三级层次结构：基于特定子主题中点击新闻的子主题层级表示，基于子主题嵌入与主题嵌入的主题层级表示，以及基于主题层级兴趣的用户层级表示。
• 子主题层级的兴趣表示通过子主题嵌入与该子主题内点击新闻的嵌入联合学习得到。
• 主题层级表示通过聚合子主题层级兴趣与主题嵌入生成，以捕捉粗粒度的用户兴趣。
• 用户层级表示由主题层级兴趣表示推导得出，用于建模整体用户偏好。
• 采用层次化用户兴趣匹配框架，在每个层级（子主题、主题、用户）上将候选新闻与用户兴趣进行匹配，以提升相关性与定位准确性。
• 模型使用注意力机制与池化策略聚合用户行为序列，生成紧凑且有意义的兴趣表示。

实验结果

研究问题

• RQ1 与单嵌入模型相比，层次化用户兴趣表示是否能更好地捕捉新闻阅读行为中用户兴趣的多粒度与多样性特征？
• RQ2 在多个粒度（子主题、主题、整体）上建模用户兴趣，如何影响推荐准确率与多样性？
• RQ3 在不同层级上实现候选新闻与用户兴趣的层次化匹配，在多大程度上提升了相关性预测性能？
• RQ4 与标准推荐模型相比，HieRec 是否能有效缓解过滤气泡与回音室效应？

主要发现

• HieRec 在两个真实世界新闻数据集上的推荐准确率上优于多个最先进基线模型，证明了其在用户兴趣建模方面的优越性。
• 层次化匹配框架实现了候选新闻与用户兴趣在不同粒度上的更精确对齐，提升了相关性预测能力。
• HieRec 在推荐多样性方面优于现有方法，定量与定性分析均表明其降低了过滤气泡风险。
• 该模型在不同用户兴趣特征下均保持强劲性能，表明其对兴趣异质性的鲁棒性。
• 消融实验证实，层次结构中的每一级（子主题、主题、用户）均对整体推荐性能有显著贡献。
• 该框架具有与公平性感知及隐私保护技术（如联邦学习）集成的潜力，有助于应对伦理问题。