基于深度学习与知识增强的新闻推荐方法研究.pdf

西华大学硕士学位论文

摘要

随着信息技术的快速发展，现如今的社会对推荐系统的要求也越来越高，特别是在

推荐的精度方面，如何更加精准的将一个项目推荐给合适的用户是推荐系统的核心要求。

然而新闻推荐具有不同于电影，旅游等项目推荐的独特性，在这些推荐领域，推荐系统

已经相当完善，要想继续追求更高的精度会产生过高的边际效用，新闻推荐的一大特点

就是它具有很高的时效性，一篇新闻文章在一周内的热度会呈指数型下降，如何保证能

在新闻文章保持高热度的情况下进行精准推荐是一个热点研究方向。传统的推荐方法在

新闻推荐上的成效不容乐观，为了进一步的高新闻推荐的精度，大量的知识图谱应用

于新闻推荐当中，知识图谱的各节点与边能较好的表示文章中各个实体间关系，相较于

传统的推荐方法能更好的解决数据稀疏性与冷启动的问题。

近年来越来越多的人对新闻推荐有着巨大的研究兴趣，通过对国内外相关研究与参

考文献的分析总结，得出目前新闻推荐主要分为非神经网络学习与神经网络学习两种方

法，而非神经网络学习的方法基本上是对相似性度量和加权方法的创新，个性化程度低，

创新方法简单。在神经网络推荐方法中使用知识图谱进行推荐又是一大热门方向，然而

在知识图谱中很少有考虑到关系实体对文章的影响，和在RippleNet模型中同一层实体

的重要性程度问题，而为了解决上述问题，本文使用知识图谱，引入了实体加权与可信

度概念来升新闻推荐的性能。本文的主要贡献体现在以下两方面：

（1）出了一种基于知识增强和可信度识别的新型新闻推荐方法，将新闻文章的

知识图谱通过Trans-E方法嵌入至向量空间中，通过实体表示层、上下文嵌入层、信息

蒸馏层这三层知识增强模型得到知识增强后的文章向量，然后与用户向量进行链接推荐。

在实体表示层引入了可信度概念，通过关系实体可信度识别模型（RTD）将判别出对文

章影响近乎为零的，或是可能曲解文章大义的关系实体，将低于可信度阈值的关系实体

剔除,从而升新闻推荐的性能，最后通过实验结果验证出模型的可行性与有效性。使用

KRED供的微软新闻数据集与其他基准模型进行实验对比，验证了RTD模型在新闻

推荐上的有效性。

（2）出了一种基于RippleNet的实体加权新闻推荐模型（R-EW），以用户爱好

为原点通过水波模型一层一层向外扩张，构建出一张由用户偏好为原点的知识图谱，

出RippleNet中每一层实体的重要程度不同的理念，突出了个别实体的重要性，利用

RippleNet的有向边的特性，引入了实体入度的权重计算，得到最终的文章向量与用户向

量进行新闻推荐，最后通过实验结果验证出模型的可行性与有效性。通过使用Bing-news

I

基于深度学习与知识增强的新闻推荐方法研究

数据集验证，与其他基准模型进行实验对比，表明了本文模型在新闻推荐任务中有着优

秀的性能，证明了其可行性与有效性。

关键词：新闻推荐；知识图谱；可信度；RippleNet；实体入度

II

西华大学硕士学位论文

Abstract

Withtherapiddevelopmentofinformationtechnology,todayssocietyhasincreasingly

highrequirementsforrecommendationsystems,especiallyintermsofrecommendation

accuracy.Howtomoreaccuratelyrecommendaprojecttotheappropriateusersisthecore

requirementoftherecommendationsystem.However,newsrecommendationisdifferentfrom

therecommendat