基于时间敏感的异构图相似神经网络的新闻推荐

目前网络上新闻信息呈现爆炸式增长趋势，为方便用户快速找到他们感兴趣的新闻，个性化新闻推荐变得愈发重要。目前主流的新闻推荐方法大多都是基于静态数据进行研究，忽略了可以间接反映用户对新闻兴趣程度的动态信息，如用户阅读新闻的时间等。为了解决此类问题，文中在GNewsRec模型的基础上提出了一种基于时间敏感的异构图相似神经网络模型(TSHGSN)。采用CNN学习新闻特征，加入用户阅读新闻时间权重并利用LSTM学习用户点击新闻的序列特征作为用户短期偏好。同时，构建了一个异构图，建模用户–新闻–主题关联，采用新的邻居采样方法聚合节点获取候选新闻特征表示和用户长期偏好。最后，将用户短期兴趣和长期兴趣与候选新闻分开进行相关性计算，旨在自适应的调整用户建模中短期兴趣和长期兴趣的重要性。实验数据表明，与GNewsRec模型相比，该模型在AUC指标上提高约4%。

随着互联网和大数据等技术持续发展，这些技术也逐步渗透到人们的生活中，带给人们良好的使用体验，其中推荐模型无时无刻不发挥着作用。

新闻推荐可以帮助用户从海量新闻中推送其感兴趣的新闻， 提高了时间利用的效率。目前，新闻推荐已在改善用户阅读体验方面取得显著的效果，引起学术界的广泛关注[1] [2]。

之前的新闻推荐算法可分为基于协同过滤的推荐算法、基于内容的推荐算法、混合推荐算法[3] [4]。

然而，这些方法存在冷启动问题，当用户–新闻矩阵稀疏时，推荐结果往往不够准确。近年来，基于深度学习的方法在建模用户–新闻交互方面表现出更好的能力[5] [6] [7]，并广泛应用于新闻推荐领域。其中，通过引入图神经网络来建模用户和新闻之间的交互，GNewsRec [8]成为了目前较先进的新闻推荐方法。然而，该方法仍存在两个主要缺点。首先，它们通常只考虑新闻标题和新闻概要作为新闻推荐的特征，忽略了用户在页面上停留的活跃时间，而这个时间能更好地反映用户的兴趣。其次，GNewsRec 模型通过图神经网络聚合获取用户长期偏好和候选新闻表达时只采用了平均的聚合方法，忽略了用户与用户之间的交互。最后，获取用户偏好时只是简单的将短期兴趣和长期兴趣串联在了一起，忽视了长短期兴趣对用户有不同的影响力。

本文的研究工作受到以下观察结果的启发。首先，用户对新闻文章的兴趣可以通过他们在新闻页面上停留的时间来直接反映。如图2 所示，用户“cx:i8i85z793m9j”在新闻页面“阿根廷爆冷输沙特”停