新闻推荐现有工作的调研

新闻推荐的特点

1. 具有较强的时效性，相比于其它推荐任务，不能使用基于ID的MF方法，可用的用户交互数据较少
2. 新闻文章往往简洁、准确。便于使用NLP模型进行处理
3. 新闻中包含很多实体，往往成为文章的keyword；不同于之前的基于item的推荐，往往一个item只对应一个实体

新闻推荐的基本思路

对新闻进行分类，具体类别用向量来表示；对于用户的兴趣点采用相同向量空间来表示；最后将两者点乘得到数值表示用户对目标新闻的感兴趣的概率——即分别对news和user学得一个相同向量空间向量表示（不同向量空间则不能使用点乘，可用全连接网络）

相关论文

我们对新闻推荐的方法主要采取了两种分类方法，即是否使用知识图谱，是否使用时间序列。本文所包含的论文汇总如下：

题目	时间	会议	包含时间序列	包含知识图谱
TEKGR	2020	CIKM		是
KRED	2020	RecSys		是
LSTUR	2019	ACL	是
NPA	2019	KDD
DKN	2018	WWW	是	是
DRN	2018	WWW

NPA:

LSTUR:

目前新闻推荐的缺点

1. 将用户未点击均视为负样例，容易陷入信息茧房

2. 利用知识图谱对news进行embedding时，有时候title中的entity并不能表示表示新闻的类别以及全部内容

3. 知识图谱对entity进行embedding时，向外发散到其他实体时，目前两种主要做法是：

   1. 无差别发散；
   2. 加入权重进行发散，即GAT；

   但是没有对知识图谱进行裁剪，噪音还是很大的