林 威

（华南师范大学计算机学院，广东 广州 510631）

0 引 言

在线新闻服务的便捷性使得许多用户的新闻阅读习惯已经从传统的实体报纸转向数字新闻内容，但新闻平台上无时无刻都在发布的海量内容也让用户不堪重负。因此，个性化的新闻推荐技术对于缓解信息过载和提高用户阅读体验极为重要，被广泛应用于今日头条、微软新闻等主流的在线新闻平台。近年来，随着深度学习技术的不断发展，个性化的新闻推荐技术也越来越受到学术界和工业界的广泛关注［1］。

现有的大多数新闻推荐方法都依赖于用户的点击行为来推断用户兴趣并基于固定数据集进行迭代训练。然而，在线新闻平台每时每刻都会出现大量新的新闻数据和用户交互记录，在现实世界中运行的新闻推荐系统需要从持续的新闻平台数据流中动态学习新的新闻和新的用户。

为此，本文基于以上现实场景提出增量学习设置，在新闻推荐任务中引入增量学习方法帮助模型进行增量更新。具体而言，新闻推荐模型以数据更新周期为单位不断更新，更新后的新闻推荐模型在下一个数据更新周期前为用户提供新闻推荐。

增量学习的主要挑战为灾难性遗忘问题［2］，表现为在新任务上训练完成后的模型在过往的旧任务上的性能发生断崖式下跌。最简单的解决方案为联合训练（Joint Training），在每个数据更新周期都使用所有历史数据重新训练模型，但对于在线新闻平台来说，历史数据的不断累积会导致新闻推荐模型的训练时间和存储开销不断增大，无法直接应用。……