基于长短期用户表示的智能新闻推荐

个性化新闻推荐对帮助用户找到感兴趣的新闻和提升阅读体验至关重要。新闻推荐中的一个关键问题是学习准确的用户表示以捕捉他们的兴趣。用户通常具有长期偏好和短期兴趣。然而，现有的新闻推荐方法通常只学习单一的用户表示，这可能是不足够的。本文提出了一种神经新闻推荐方法，可以同时学习长短期用户表示。我们方法的核心是一个新闻编码器和一个用户编码器。在新闻编码器中，我们从新闻的标题和主题类别中学习新闻的表示，并使用注意力网络选择重要词汇。在用户编码器中，我们提出从用户ID的嵌入中学习长期用户表示。此外，我们提出从用户最近浏览的新闻中通过GRU网络学习短期用户表示。此外，我们提出了两种方法来结合长期和短期用户表示。第一种方法是使用长期用户表示来初始化短期用户表示中GRU网络的隐藏状态。第二种方法是将长期和短期用户表示拼接为统一的用户向量。在一个真实世界的数据集上进行的大量实验表明，我们的方法可以有效提高神经新闻推荐的性能。