DKN: Deep Knowledge-Aware Network für Nachrichtenempfehlungen

Online-Nachrichtempfehlungssysteme zielen darauf ab, die Informationsexplosion von Nachrichten zu bewältigen und personalisierte Empfehlungen für Benutzer abzugeben. Im Allgemeinen ist die Nachrichtensprache stark verdichtet, voller Wissenseinheiten und gesundem Menschenverstand. Bestehende Methoden sind jedoch sich solcher externen Wissensquellen nicht bewusst und können latente wissensbasierte Verbindungen zwischen Nachrichten nicht vollständig entdecken. Die empfohlenen Ergebnisse für einen Benutzer sind daher auf einfache Muster beschränkt und können nicht sinnvoll erweitert werden. Darüber hinaus steht die Nachrichtenempfehlung vor den Herausforderungen der hohen zeitlichen Sensitivität von Nachrichten und der dynamischen Diversität der Interessen der Benutzer. Um die oben genannten Probleme zu lösen, schlagen wir in diesem Papier ein tiefes wissensbewusstes Netzwerk (DKN) vor, das die Wissensgraphdarstellung in die Nachrichtenempfehlung integriert. DKN ist ein inhaltsbasiertes tiefes Empfehlungsframework zur Vorhersage der Klickrate. Die Schlüsselkomponente von DKN ist ein multikanal- und wort-entity-ausgerichtetes wissensbewusstes konvolutionales neuronales Netzwerk (KCNN), das semantische und wissensbasierte Darstellungen von Nachrichten fusioniert. KCNN behandelt Wörter und Entitäten als mehrere Kanäle und hält deren Alignierungsbeziehung während der Konvolution explizit aufrecht. Darüber hinaus haben wir, um die vielfältigen Interessen der Benutzer zu adressieren, auch ein Aufmerksamkeitsmodul in DKN entworfen, um dynamisch die Historie eines Benutzers in Bezug auf aktuelle Nachrichtenkandidaten zu aggregieren. Durch umfangreiche Experimente auf einer echten Online-Nachrichtenplattform zeigen wir, dass DKN erhebliche Verbesserungen im Vergleich zu modernen tiefen Empfehlungsmodellen erreicht. Wir validieren auch die Wirksamkeit der Verwendung von Wissen in DKN.