[论文解读] On the Importance of News Content Representation in Hybrid Neural Session-based Recommender Systems

Gabriel de Souza Pereira Moreira, Dietmar Jannach+1 more|arXiv (Cornell University)|Jul 12, 2019

Recommender Systems and Techniques参考文献 34被引用 8

一句话总结

本文研究了混合神经会话推荐系统中新闻内容表征的影响，提出了一种深度学习框架（CHAMELEON），通过RNN将内容嵌入与用户会话动态相结合。结果表明，整合内容信息——尤其是通过LSA编码的嵌入——显著提升了推荐准确率，相较于无内容感知模型，MRR最高提升12%，HR最高提升7%。

ABSTRACT

News recommender systems are designed to surface relevant information for online readers by personalizing their user experiences. A particular problem in that context is that online readers are often anonymous, which means that this personalization can only be based on the last few recorded interactions with the user, a setting named session-based recommendation. Another particularity of the news domain is that constantly fresh articles are published, which should be immediately considered for recommendation. To deal with this item cold-start problem, it is important to consider the actual content of items when recommending. Hybrid approaches are therefore often considered as the method of choice in such settings. In this work, we analyze the importance of considering content information in a hybrid neural news recommender system. We contrast content-aware and content-agnostic techniques and also explore the effects of using different content encodings. Experiments on two public datasets confirm the importance of adopting a hybrid approach. Furthermore, we show that the choice of the content encoding can have an impact on the resulting performance.

研究动机与目标

• 评估在混合会话推荐系统中引入新闻文章内容的影响。
• 探究不同的内容编码技术（无监督 vs. 有监督）是否影响推荐性能。
• 评估在流媒体新闻推荐中，推荐准确率、覆盖率与新颖性之间的权衡。
• 将基于神经网络的混合模型与传统无内容感知基线模型（如k-NN和基于流行度的方法）进行比较。
• 确定在冷启动场景下，高质量的内容表征是否对有效会话推荐至关重要。

提出的方法

• 提出CHAMELEON，一种用于会话推荐的混合神经架构，结合用户会话历史与文章内容嵌入（ACEs）。
• 采用基于RNN（GRU/LSTM）的下一则文章推荐（NAR）模块，以建模用户行为序列并预测下一次点击的文章。
• 通过文章内容表征（ACR）模块生成ACEs，该模块处理原始文本，使用词嵌入（如Word2Vec）并应用特征提取器（CNN、RNN或TF-IDF加权）。
• 评估多种内容编码策略：无监督方法（LSA、doc2vec、W2V*TF-IDF）与有监督方法（CNN、GRU），用于学习文章表征。
• 采用流式评估协议以模拟实时新闻推荐，其中新文章立即被纳入推荐考量范围。
• 以有监督方式训练ACR模块，通过预测文章元数据属性作为辅助任务，提升内容表征质量。

实验结果

研究问题

• RQ1 在混合会话推荐系统中引入文章内容信息如何影响性能？
• RQ2 内容编码方法的选择（如LSA、doc2vec、CNN、GRU）是否显著影响推荐准确率？
• RQ3 内容感知模型与无内容感知基线模型（如k-NN、基于流行度、SR）在准确率、覆盖率和新颖性方面有何差异？
• RQ4 元数据的质量与粒度在多大程度上影响有监督内容编码方法的性能？
• RQ5 在使用不同内容表征技术时，推荐准确率与覆盖率/新颖性之间的权衡如何？

主要发现

• 通过ACEs引入内容信息可显著提升推荐准确率，在G1数据集上，与无内容感知模型相比，Hit Rate（HR@10）最高提升7%，MRR@10最高提升12%。
• LSA在两个数据集上均优于其他所有内容编码方法，在Adressa数据集上分别达到最高的HR@10（0.6935）和MRR@10（0.3403），尽管其为无监督方法。
• 在G1数据集上，有监督编码器（CNN、GRU）的表现不如LSA，表明元数据质量和深度显著影响有监督编码性能。
• 在Adressa数据集上，无监督编码器（LSA、W2V*TF-IDF、doc2vec）优于有监督编码器，可能由于其分类方案更粗粒度（41类 vs. 461类），限制了元数据质量。
• 无内容感知基线模型（如Item-kNN和SR）的表现劣于基于RNN的混合模型CHAMELEON，表明结合会话动态与内容对性能至关重要。
• CB（基于内容）方法在覆盖率（COV@10）和新颖性（ESI-R@10）方面表现最高，证实仅内容模型更倾向于长尾项目，而基于流行度的方法（RP）新颖性最低。