PCRec：基于提示引导的跨视图对比学习多兴趣新闻推荐
PCRec: A Multi-Interest News Recommendation Framework with Prompt-Guided Cross-View Contrastive Learning
-
摘要:研究背景 随着互联网信息的爆炸式增长，新闻内容的海量生产给用户带来了严重的信息过载问题。个性化新闻推荐系统作为解决此问题的有效方案，能够根据用户兴趣过滤并推送相关内容。基于提示的新闻推荐方法通过将推荐任务重新构建为掩码预测问题，展现出良好的性能。然而，目前基于提示学习的新闻推荐方法仍面临三个主要挑战。1）用户多兴趣表示不足：现有方法往往将用户历史点击简单拼接为一个模板，无法捕捉用户兴趣的多样性；2）全局交互建模有限：当前方法主要关注局部用户-新闻交互，忽略了全局用户间和新闻间分布中隐含的丰富上下文信息；3）历史交互截断：语言模型的输入长度限制迫使当前方法直接截断或压缩用户的历史交互信息，这一限制对文本长度通常较长的新闻推荐任务来说尤为突出。目的 本研究旨在解决现有基于提示学习的新闻推荐方法所存在的局限性，提出一种能够有效捕捉用户多样化兴趣、利用全局交互信息并克服输入长度限制的新闻推荐框架，从而进一步改进当前新闻推荐系统的性能表示。方法 本研究提出了PCRec，一个基于提示引导的跨视图对比学习框架，用于多兴趣新闻推荐。如图1所示，PCRec主要包括三个创新组件：1）引入了特征级提示学习，克服文本级提示固有的输入约束；2）设计一个两阶段用户建模模块，通过可扩展注意力机制捕捉各个用户的多兴趣；3）提出一个跨视图对比学习策略，根据用户兴趣对全局相似用户分组，并从多个视角引入对比学习损失，打破用户、新闻类别和新闻子类别之间的孤立关系。结果 实验结果表明，在MIND和Addressa两个新闻推荐数据集上，PCRec的表现优于现有的先进基线模型。如表1所示，在MIND-small数据集上，PCRec在AUC、MRR、nDCG@5和nDCG@10指标上分别提高了0.90%、0.82%、0.74%和0.69%。在MIND-large数据集上，PCRec的改进更为显著，AUC、MRR、nDCG@5和nDCG@10分别提高了1.04%、1.03%、1.37%和0.95%。如表2所示所示，在Addressa-1week数据集上，PCRec相比最佳基线在各项指标上分别提高了1.96%、1.84%、3.19%和1.44%。此外，消融实验表明，所提出的多兴趣用户建模、跨视图对比学习和特征级提示学习均对模型性能有显著贡献。结论 本研究提出的PCRec框架通过显式用户建模、有效捕捉用户的多样化兴趣，并通过三个跨视图对比学习模块利用全局用户关系和新闻信息。实验结果表明，PCRec在各种性能指标上均优于现有的最先进新闻推荐方法，证明了该方法在解决多兴趣建模、全局交互建模和输入长度限制方面的有效性。Abstract: Effective news recommendation is crucial for alleviating users’ information overload. While recent prompt-based news recommendation methods have shown promising performance by reformulating the recommendation task as a masked prediction problem, we note that this paradigm still faces several major limitations including inadequate multi-interest representation, limited global interaction modeling, and historical interaction truncation. To address these problems, this paper proposes PCRec, a prompt-guided cross-view contrastive learning framework for multi-interest news recommendation. PCRec first introduces feature-level prompts to overcome the input constraints inherent in text-level prompts. Moreover, a two-stage user modeling module is designed to capture users’ multi-interests. Finally, to model global user-news relationships, PCRec implements a cross-view contrastive learning strategy. This approach groups similar users, enabling learning from multiple perspectives and breaking down isolated relationships among users, news categories, and news subcategories. Extensive experiments on two real-world news recommendation datasets validate the superiority of our proposed PCRec compared with various state-of-the-art baselines.
下载: