APP下载

一种结合ViLBERT和多模态知识图谱注意力网络的新闻推荐方法

2024-01-01李泽宇王紫欣

关键词:模态文本用户

李泽宇,王紫欣

(1.北京邮电大学,北京100876;2.中国传媒大学,北京 100024)

1 引言

在网络媒体快速发展的现代社会,如何高效地为用户推荐其可能感兴趣的新闻,已成为推荐系统领域越来越受关注的研究课题。

现有的新闻推荐系统常用基于协同过滤(Collab‐orative Filtering,CF)[1]的方法。但早期直接利用与目标用户兴趣相似的用户为其进行推荐的基于领域的协同过滤,以及后期出现的以奇异值分解(Singular Value Decomposition,SVD)为代表的基于潜在因子模型的协同过滤方法,都面临着数据稀疏问题和冷启动问题[2]。

随着深度学习的发展,Salakhutdinov 等[3]将受限玻尔兹曼机与协同过滤结合,将深度学习的方法应用于推荐系统领域。随后循环神经网络(Recurrent Neu‐ral Networks,RNN)和卷积神经网络(Convolutional Neural Networks,CNN)等深度学习网络被引入推荐系统领域[4‑5]。基于深度学习的推荐算法从用户和项目的历史交互数据中进行特征学习,将数据映射到另一维度的空间中,获得用户和项目的深层次特征表示。该方法能够有效提升推荐系统的准确度,但数据稀疏所带来的一系列问题依然存在。加入更多的辅助信息能够有效解决数据稀疏问题和冷启动问题。

知识图谱(Knowledge Graph,KG)包含内容丰富的辅助数据,可以精确地描述各类用户和项目的属性[6]。Wang 等[7]通过实验证明,基于知识图谱的推荐系统能有效缓解数据稀疏导致的一系列问题。因此,将知识图谱作为辅助数据源引入推荐系统,已成为近年来推荐系统领域的研究热点[8‑9]。然而,目前基于知识图的新闻推荐均忽略了新闻中的多模态信息,但新闻的视觉和文字特征在推荐系统中同样重要。……

登录APP查看全文

猜你喜欢

模态文本用户
在808DA上文本显示的改善
基于doc2vec和TF-IDF的相似文本识别
关注用户
关注用户
关注用户
文本之中·文本之外·文本之上——童话故事《坐井观天》的教学隐喻
基于HHT和Prony算法的电力系统低频振荡模态识别
如何获取一亿海外用户
由单个模态构造对称简支梁的抗弯刚度
如何快速走进文本