随着网络新闻的爆炸式增长，个性化的新闻推荐对于网络新闻平台帮助用户发现感兴趣的信息变得越来越重要。现有的新闻推荐方法通过从新闻内容和用户与新闻的直接交互(如点击)中构建精确的新闻表示和用户表示来实现个性化，而忽略了用户与新闻之间的高阶关联。本文提出了一种新闻推荐方法，通过对用户和新闻之间的关系进行图形化建模，增强用户和新闻之间的表示学习。在我们的方法中，用户和新闻都被看作是历史用户点击行为构造的二部图中的节点。对于新闻表示，首先利用transformer架构构建新闻语义表示。然后通过一个图注意力网络将其与图中相邻新闻信息相结合。对于用户表示，我们不仅表示来自其历史上单击的新闻的用户，而且还仔细地将其邻居用户的表示合并到图中。在大型真实数据集上的改进性能验证了我们所提方法的有效性。

https://www.zhuanzhi.ai/paper/b0673ce7289255687d5a29e188fbd2c4

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“GERL” 就可以获取《【WWW2020-清华大学】图增强表示学习的新闻推荐,Graph Enhanced RepresentationLearning》论文专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源