基于多任务学习的用于个性化新闻推荐的全连接神经网络

《Scientific Reports》：A multi-task learning-based fully connected neural network for personalized news recommendation

　　

摘要

传统的个性化新闻推荐方法仍存在诸多局限性，比如难以准确建模用户的动态兴趣、难以在准确性与多样性之间取得平衡，以及在冷启动场景下性能显著下降。这些限制影响了其在实际应用中的效果。为解决这些问题，本文提出了一种基于全连接神经网络的个性化新闻推荐模型（MT-FCNN）。该模型利用用户行为序列嵌入来捕捉用户兴趣的动态变化，并采用多任务学习框架，同时优化点击意图预测和兴趣分布学习，从而在统一的表示空间中提升推荐性能。该模型在公开发布的Microsoft News数据集上进行了测试，并与协同过滤、基于内容的推荐、GRU4Rec以及基于Transformer的模型等现有方法进行了比较。实验结果表明，MT-FCNN使AUC、NDCG@5和CTR分别提升了12.4%、10.7%和8.9%。对于冷启动用户，推荐准确性（Precision@5）提升了11.2%。多次实验和统计检验进一步证明了该模型的稳定性及其显著优势。这一集成框架为推荐系统提供了新的方法视角，同时也为在动态环境中建模用户行为提供了一种更高效的技术手段。