DKN : Réseau Profond Conscient des Connaissances pour la Recommandation d'Actualités

Les systèmes de recommandation de nouvelles en ligne visent à répondre à l'explosion de l'information des nouvelles et à fournir des recommandations personnalisées aux utilisateurs. En général, le langage des nouvelles est très condensé, riche en entités de connaissance et en connaissances générales. Cependant, les méthodes existantes ne prennent pas en compte ces connaissances externes et ne peuvent pas pleinement découvrir les connexions latentes au niveau de la connaissance entre les nouvelles. Par conséquent, les résultats recommandés pour un utilisateur sont limités à des modèles simples et ne peuvent pas être raisonnablement étendus. De plus, la recommandation de nouvelles fait également face aux défis de la forte sensibilité temporelle des nouvelles et de la diversité dynamique des intérêts des utilisateurs. Pour résoudre ces problèmes, dans cet article, nous proposons un réseau profond sensible à la connaissance (DKN) qui intègre la représentation de graphes de connaissance dans la recommandation de nouvelles. Le DKN est un cadre de recommandation profonde basée sur le contenu pour la prédiction du taux de clics. La composante clé du DKN est un réseau neuronal convolutif sensible à la connaissance (KCNN) multicanaux et aligné mot-entité qui fusionne les représentations sémantiques et au niveau de la connaissance des nouvelles. Le KCNN traite les mots et les entités comme plusieurs canaux, et maintient explicitement leur relation d'alignement pendant la convolution. De plus, pour prendre en compte les intérêts variés des utilisateurs, nous avons également conçu un module d'attention dans le DKN pour agréger dynamiquement l'historique d'un utilisateur par rapport aux nouvelles candidates actuelles. À travers une série d'expériences approfondies sur une plateforme réelle de nouvelles en ligne, nous démontrons que le DKN réalise des gains substantiels par rapport aux modèles avancés actuels de recommandation profonde. Nous validons également l'efficacité de l'utilisation de la connaissance dans le DKN.