1、结合知识图谱的个性化新闻推荐系统刘丹阳 博士研究生 美团 实习生|01背景介绍背景介绍02新闻知识图谱新闻知识图谱0304目录目录CONTENT|知识图谱与新闻知识图谱与新闻推荐的可解释性推荐的可解释性知识图谱与新闻知识图谱与新闻推荐的准确性推荐的准确性背景介绍01|个性化新闻推荐系统阅读新闻是人们日常生活中必不可少的活动。新闻阅读逐渐从纸质端转变到电子端。互联网时代，新闻文章对于用户越来越过载。个性化新闻推荐系统能有效地提升新闻服务的质量。Suggested For You!个性化新闻推荐系统方法|基于传统方法：基于特征工程构建用户和新闻的匹配。基于深度学习通过深度学习的方法，得到用户和新闻

2、的隐式语义表示，然后进行匹配。结合知识图谱的个性化推荐系统|知识图谱能提升推荐的准确性：知识图谱为物品引入了更多的语义关系，可以深层次地发现用户的兴趣。知识图谱能提升推荐系统的可解释性：知识图谱可以连接用户的历史纪录和推荐结果，从而提高用户对推荐系统的满意度和接受度，增强用户对推荐系统的信任。新闻知识图谱02|研究动机|1.对于特定应用专门设计的领域知识图谱更加适用。2.通用知识图谱缺乏新闻推荐任务的相关信息。3.通用知识图谱包含了一些与新闻无关的噪音信息。医疗知识图谱美团外卖知识图谱研究方法|研究方法|补充新闻相关信息：1.增加主题节点：显式主题节点隐式主题节点2.增加协同关系节点：同一新闻

3、中的实体同一用户感兴趣的实体同一段会话中的实体数据统计|通用知识图谱新闻知识图谱实验数据|个性化新闻推荐任务：MSN news,4 weeks 新闻：24,542用户：665,034点击：6,776,611新闻分类任务：新闻类别分类:15个类别本地新闻检测：2个类别新闻流行度预测：4个类别实验模型|实验结果|新闻推荐任务：新闻分类任务：知识图谱与新闻推荐的准确性03|新闻推荐的特点|新闻具有时效性，容易造成冷启动问题。新闻具有丰富的文本，需要从文本中了解新闻信息。用户兴趣通常比较多样，并且随时间动态演化。研究动机|新闻往往包含大量的知识实体，新闻中重要的知识实体携带着帮助理解新闻的重要信息。新

4、闻中不同的知识实体重要程度也不同。NLP 技术的发展使我们很容易获得高质量的新闻表示。目前的工作不能灵活地结合 NLP 技术生成的新闻表示。研究方法|实体表示层：|研究方法语境嵌入层：位置嵌入频率嵌入类别嵌入|研究方法信息蒸馏层：|多任务学习用户新闻推荐相关新闻推荐新闻类别分类新闻流行度预测本地新闻预测知识信息通过实体在不同任务之间传播，提供额外信息。研究方法实验结果|实验结果|实验结果Item2item 实验结果|实验结果消融实验：效率对比：可视化分析|可视化分析研究动机|对于新闻推荐来说，准确地表示用户兴趣非常关键。新闻中包含了大量的新闻实体，反映新闻复杂多样的兴趣。用户的兴趣是多样的、动

5、态的，新闻实体能辅助理解用户的兴趣。研究方法|异构图表示学习：研究方法|双记忆网络：兴趣记忆网络用户记忆网络数据集统计|实验结果|实验结果|实验结果|可解释性分析|知识图谱与新闻推荐的可解释性04您公司的logo|研究动机|可解释推荐越来越受到重视，能提升用户的满意度和接受度。目前新闻推荐的可解释面临挑战：基于路径的方法，如KPRN，搜索用户和商品间的所有路径。基于强化学习的方法，如PGPR，只能获得一条解释路径，并且不能充分利用新闻表示。研究方法|锚点知识图范式：基于强化学习，选择新闻中重要的实体，以及他们在知识图谱中，与新闻内容密切相关的邻居节点，构成此新闻的“锚图”。利用新闻的“锚图”生

6、成新闻间的可解释路径，并提升新闻的表示。|MDP决策过程：状态：动作：状态转移奖励：即时奖励终止奖励研究方法|演员评论家（actor-critic）算法：演员：根据策略函数选择加入锚图中的实体。学习：最大化期望评论家：根据值函数评估动作选择的好坏。学习：最小化TD误差研究方法|热启动训练为监督学习生成一小组标记对（使用枚举方法）基于知识图谱的负采样随机负采样不能提供有效信号在知识图谱上随机游走采样多任务学习联合训练 推理任务（基于路径）和推荐任务（知识图谱+文本内容）研究方法数据集统计|实验结果|实验结果|可解释性分析|可解释量化分析|业务落地平台工具训练引擎基础研究 时空/多兴趣/跨域推荐 商品商户混合搜索 智能广告投放 可视化图机器学习平台 大规模在线向量计算服务 单机可达百亿边规模 分布式达千亿边规模 高鲁棒GNN 动态异质图模型 大规模图预训练美团NLP中心知识计算组欢迎加入知识计算组：基于海量用户行为和大规模知识图谱，通过图神经网络及图预训练技术，提升搜索/推荐/广告/配送等业务的效果。微信交流群非常感谢您的观看|