NPA: Neural News Recommendation with Personalized Attention （2019.7）
链接：https://arxiv.org/abs/1907.05559
发表在 IJCAI 2019和 KDD 2019。
新闻推荐中有三个关键问题需要解决：
1）如何利用用户的新闻阅读历史来对用户进行建模，捕捉他们的潜在兴趣。
2）如何根据新闻的内容对新闻进行建模。
3）如何根据新闻和用户的建模结果，来对候选新闻进行有效地排序。
本文将这三个问题划归为新闻信息与用户兴趣的多样性问题，并由此出发，提出了基于多视角学习和个性化注意力机制的解决方案
提出了两种有效的新闻推荐方法，分别是利用多视角学习来从异构的新闻信息中学习更好的新闻表示，以及利用个性化注意力来建模用户兴趣的差异，做到千人千面的新闻推荐。
新闻信息的多样性：一个新闻中通常会包含多种不同类型的信息，例如标题、正文、类别等等。而不同类型的信息特性差异很大。
用户兴趣的多样性。不同的用户可能会关注同一篇新闻文章的不同重点。
基于多视角学习的方法 NAML。其框架如图所示。该模型包含两个核心模块，分别是一个新闻编码器和一个用户编码器。在新闻编码器中，我们从新闻的标题、正文、类别和子类别中学习新闻表示。我们将这些不同类型的新闻数据视作不同的新闻视角，并且使用词语和视角级的注意力网络来选择重要的词语和视角。在用户编码器中，我们使用新闻级的注意力机制来选取高信息量的新闻。而在最后的点击预测模块中，我们根据候选新闻和用户表示的内积来计算点击分数
我们的实验在真实新闻推荐数据集上开展，数据集从 MSN 新闻一个月的记录中采样得到。我们使用最后一周的日志作为测试，其余用作训练和验证，结果如下：
接下来，进行了实验来验证基于注意力机制的多视角学习的有效性：
我们发现正文比标题更为重要，而通过多视角学习将三种不同的信息结合能够进一步提升模型效果。
词语级别的注意力机制最为重要，可能因为词语是承载新闻语义信息的基本单位（分别移除某一种注意力机制来探究每种注意力网络的贡献）
可视化探究：模型能识别和选择重要的词语和新闻
