王海艳，胡 阳

(1.南京邮电大学 计算机学院，江苏 南京 210023 2.南京邮电大学江苏省无线传感网高技术研究重点实验室，江苏 南京 210023 3.南京邮电大学江苏省大数据安全与智能处理重点实验室，江苏 南京 210023)

在线新闻平台（如头条新闻和Google新闻）提供的新闻数量众多容易导致信息过载。为了减轻信息过载问题，针对用户的阅读兴趣向用户推荐感兴趣的新闻是很有必要的[1-4]。与其他项目（电影，音乐和书籍）不同，新闻通常具有高度的时间敏感性，过时的新闻经常被新发布的新闻所取代[3]。此外，用户的兴趣变化通常不如其他领域稳定，用户的某些兴趣可能持续很长时间，也可以由特定的上下文或者临时的需求触发。而传统的个性化推荐方法（如基于协同过滤的方法）由于忽略了用户浏览行为的顺序信息，难以捕捉用户不断变化的兴趣。

因此，有研究提出序列化新闻推荐方法，这些方法通常利用循环神经网络[2，5-6]（Recurrent Neural Network，RNN）和注意力机制[4，7-8]对用户的历史交互行为进行建模，以捕获用户的顺序阅读模式，如文献[5]将用户浏览历史中的会话信息作为循环神经网络中的输入序列生成用户表示，文献[6]通过门控循环单元（Gate Recurrent Unit，GRU）捕获用户行为序列中的顺序信息，从而学习用户的长期兴趣，并将GRU网络的最后一个隐藏状态作为用户的短期兴趣，最终结合长短期兴趣进行推荐。文献[7]利用了注意力机制对用户近期交互的顺序行为进行建模从而学习当前的用户兴趣。然而，这类方法仍然面临一些问题：