CN114117233A - 一种基于用户隐式反馈的会话新闻推荐方法及推荐*** - Google Patents

Abstract

本发明涉及一种基于用户隐式反馈的会话新闻推荐方法及推荐***，所述推荐方法包括以下步骤：获得每一篇新闻文章的文章向量；利用用户正隐式反馈获取所述新闻序列中每一篇新闻文章的注意力权重，获得会话向量；计算会话向量与待推荐新闻的文章向量间的余弦相似度，推送相应新闻文章；所述共现特征向量通过一共现特征编码学习模型获得，会话向量通过一会话表示模型获得，模型参数通过以下方式进行更新：计算会话向量和所有文章向量的余弦相似度，将用户真正点击的下一篇文章作为标签，考虑用户负隐式反馈，利用交叉熵构建损失函数，更新所述模型参数，用户负隐式反馈为曝光未点击的文章。与现有技术相比，本发明具有推荐准确性高等优点。

Description

一种基于用户隐式反馈的会话新闻推荐方法及推荐***

技术领域

本发明涉及信息推荐技术领域，尤其是涉及一种基于用户隐式反馈的会话新闻推荐方法及推荐***。

背景技术

在信息***的年代，互联网上信息量的快速增长，推荐***能够帮助用户缓解信息过载的问题，进而有效帮助用户在众多信息中选择自己感兴趣的内容。新闻内容更是如此，各大在线的新闻推荐平台(如BBC新闻、今日头条等)吸引了众多读者阅读，新闻平台需要从每天实时更新的海量新闻中筛选出读者感兴趣的内容，且尽量为不同的读者提供个性化服务。在这个过程中，新闻推荐***扮演了十分重要的角色。

国内外对于推荐***的研究已经发展得相对成熟，一些方法在某些领域已经可以取得不错的效果，例如基于内容的推荐、协同过滤等方法，还有一些基于深度神经网络的方法，在书籍、电影、商品的推荐上都有不错的应用。然而，与传统推荐***不同的是，新闻的推荐有更多复杂的特性，将带来不小的挑战，列举如下：用户画像极度稀疏：很多新闻网站允许匿名登录，因此大部分新闻网站的用户可能是临时登录的匿名用户，他们大多没用浏览记录，这对刻画用户画像带来困难，在短时间内掌握用户的偏好有一定挑战性；新闻随时间动态变化，新闻的数量每天在飞速增长，与此同时，一些新闻的时效性也随时间在飞速下降；用户的兴趣具有不确定性，对抓取用户偏好会造成一定干扰。

很多新闻推荐***是基于用户长期的阅读历史展开的，有的利用新闻标题里的命名实体并结合它们在知识图谱中的关系作为补充信息，有的通过挖掘新闻文章的质量以及追踪用户的反馈行为来进行推荐。总体来说，这类新闻推荐***是围绕用户和文章的协同关系展开的，而挖掘用户和文章协同关系的传统解决方案则是搭建用户-文章矩阵(User-Item矩阵)并进行矩阵分解，需要用到分解机。一些精心设计的深度神经网络，就是结合了分解机的力量来刻画用户和文章的关系。然而，在需要对新闻进行实时推荐的场景下，匿名用户和临时登陆用户的出现会导致严重的冷启动问题，如果想要在此场景下对用户的短期兴趣进行挖掘，静态的用户-文章矩阵难以胜任该任务。有相关研究提出增量矩阵分解，使得传统分解机可以解决新用户和新文章涌现的问题，也有相关研究通过训练可以快速迁移的模型来应对此情况。以上的方法都需要分析用户过去的兴趣偏好，使用的前提是识别用户，即需要创建用户配置文件以跟踪用户，此类推荐算法需要大量的用户反馈数据。在许多服务中，由于匿名登陆的存在，用户的信息可能是未知的，并且只有处于当前正在进行的会话中的用户历史行为可用。

在实时新闻推荐领域，有研究人员提出基于会话的推荐方案。一段会话是指用户在短时间内(如30分钟)的浏览行为，每一段会话持续时间短，且不同的会话一般由不同的用户产生。学习任务是给出每个会话前几条浏览记录的情况下，预测该会话中用户下一个可能会点击的文章。这种仅依赖于用户当前进行的会话中的动作序列来预测用户下一个动作的问题被称之为基于会话的推荐。在此场景下，所有用户都是冷启动用户，推荐***旨在利用同一会话内的前T个浏览历史(长度为T的序列)推测下一篇(第T+1篇)文章。基于会话的推荐***注重实时性，会话最近邻方法(SKNN)通过寻找和当前会话最相近的K个会话，并挖掘相似会话中的文章来进行推荐，在此基础上，相关研究通过计算内容相似度和会话相似度并选出联合相似度最高的前K篇文章(CBCF)，也有研究对会话相似度加入时间衰减函数再进行计算(STAN)。近年来兴起的机器学习和深度学习在历史数据量巨大的情况下逐渐占有更大的优势，研究者将问题建模为序列化问题，通过循环神经网络(RNN)，长短时记忆网络(LSTM)、图神经网络(GNN)来提取用户浏览行为的序列化信息，更进一步地，有研究利用引入注意力机制的混合编码器来对序列信息进行建模。

以上基于会话的推荐存在以下缺陷：(1)未能利用用户的隐式反馈，模型对用户的兴趣偏好理解有限；(2)非深度学习方法不能很好捕捉文章和文章之间的共现关系；(3)深度学习方法对文章的文本内容缺乏刻画，会导致文章冷启动问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种推荐准确性高、有效解决文章冷启动问题的基于用户隐式反馈的会话新闻推荐方法及推荐***。

本发明的目的可以通过以下技术方案来实现：

一种基于用户隐式反馈的会话新闻推荐方法，包括以下步骤：

对用户当前会话中点击过的新闻序列进行特征提取，获得每一篇新闻文章的文章向量，所述文章向量包括内容特征向量和共现特征向量；

利用用户正隐式反馈获取所述新闻序列中每一篇新闻文章的注意力权重，基于所述注意力权重和每一篇新闻文章对应的文章向量加权获得一会话向量，所述用户正隐式反馈为用户在每篇新闻文章上停留的时间；

计算所述会话向量与待推荐新闻的文章向量间的余弦相似度，基于所述余弦相似度推送相应新闻文章；

所述共现特征向量通过一共现特征编码学习模型获得，所述会话向量通过一会话表示模型获得，所述共现特征编码学习模型和会话表示模型的模型参数通过以下方式进行更新：

计算会话向量和所有文章向量的余弦相似度，并归一化，作为该会话中用户下一个点击对应文章的可能性，将用户真正点击的下一篇文章作为标签，通过负样本采样算法，考虑用户负隐式反馈，利用交叉熵构建损失函数，更新所述模型参数，所述用户负隐式反馈为曝光未点击的文章。

进一步地，所述内容特征向量通过以下方式获得：

利用word2vec对新闻文章的标题文本内容进行特征提取，结合新闻类别进行有监督分类训练，获得隐层向量作为代表文章主题的所述内容特征向量。

进一步地，所述共现特征向量通过以下方式获得：

对不同新闻文章进行随机初始化的隐式向量表示，提取文章与文章之间的共现特征，生成所述共现特征向量。

进一步地，所述会话向量的计算过程包括：

获取用户正隐式反馈，即用户在文章i上停留的时间t_i，对时间t_i进行离散化并分类，对每一个类别对应生成embedding向量ta_i，计算注意力权重α_i：

α_i＝W₀×σ(W₁×x_ci+W₂×ta_i+b₁)，

其中，α_i为所述新闻序列中新闻文章i的注意力权重，W₀、W₁、W₂为权重矩阵，x_ci为文章向量，b₁为偏置矩阵；

对所述注意力权重进行归一化，计算每篇文章的加权平均向量作为最后的会话向量：

其中，x_s为会话向量，T是用户在当前会话阅读的新闻数量。

进一步地，所述损失函数表示为：

其中，S表示训练集中所有会话，y_j＝1表示文章j是当前会话中用户下一个点击的文章，反之y_j＝0；

表示模型预测的文章j作为当前会话中下一个被点击的文章的概率；x_cj是负样本文章n_j的文章向量，Ne表示负样本集合，λ是权重参数，1是指示函数，其值为1当且仅当表达式为真。

进一步地，所述负样本采样算法具体为：

按照新闻文章发布时间对所有文章进行排序，把用户真正点击的下一篇文章作为中心点，在一固定大小的滑动窗口中随机选择负样本，形成负样本集合。

进一步地，基于所述余弦相似度推送相应新闻文章具体为：

以所述余弦相似度作为对应文章的得分，对所有文章的分数进行排序，选取排名最高的若干篇文章，产生需要推送的新闻列表。

本发明还提供一种基于用户隐式反馈的会话新闻推荐***，包括：

新闻内容编码模块，用于对新闻文章的标题文本内容进行特征提取，结合新闻类别进行有监督分类训练，获得隐层向量作为代表文章主题的内容特征向量；

新闻共现特征编码学习模块，用于采用一共现特征编码学习模型提取文章与文章之间的共现特征，生成共现特征向量；

会话表示模块，利用用户正隐式反馈获取所述新闻序列中每一篇新闻文章的注意力权重，基于所述注意力权重和每一篇新闻文章对应的文章向量加权，通过一会话表示模型获得会话向量，所述用户正隐式反馈为用户在每篇新闻文章上停留的时间；

用户兴趣预测模块，基于所述会话向量预测用户下一次点击的文章，并对所述共现特征编码学习模型和会话表示模型的模型参数进行更新，具体地：

计算会话向量和所有文章向量的余弦相似度，并归一化，作为该会话中用户下一个点击对应文章的可能性，将用户真正点击的下一篇文章作为标签，通过负样本采样算法，考虑用户负隐式反馈，利用交叉熵构建损失函数，更新所述模型参数，所述用户负隐式反馈为曝光未点击的文章；

线上推荐模块，用于计算所述会话向量与待推荐新闻的文章向量间的余弦相似度，基于所述余弦相似度推送相应新闻文章。

进一步地，所述会话向量的计算过程包括：

获取用户正隐式反馈，即用户在文章i上停留的时间t_i，对时间t_i进行离散化并分类，对每一个类别对应生成embedding向量ta_i，计算注意力权重α_i：

α_i＝W₀×σ(W₁×x_ci+W₂×ta_i+b₁)，

其中，α_i为所述新闻序列中新闻文章i的注意力权重，W₀、W₁、W₂为权重矩阵，x_ci为文章向量，b₁为偏置矩阵；

对所述注意力权重进行归一化，计算每篇文章的加权平均向量作为最后的会话向量：

其中，x_s为会话向量，T是用户在当前会话阅读的新闻数量。

进一步地，所述损失函数表示为：

其中，S表示训练集中所有会话，y_j＝1表示文章j是当前会话中用户下一个点击的文章，反之y_j＝0；

表示模型预测的文章j作为当前会话中下一个被点击的文章的概率；x_cj是负样本文章n_j的文章向量，Ne表示负样本集合，λ是权重参数，

是指示函数，其值为1当且仅当表达式为真。

与现有技术相比，本发明具有以下有益效果：

1、本发明对文章内容进行向量表示，有效克服新闻文章不断涌现的冷启动问题；

2、本发明对新闻文章提取的特征还包括共现特征，，可以帮助模型学习文章和文章之间的共现关系，提高推荐准确性；

3、本发明通过对用户正隐式反馈(在文章上停留的时间)、用户负隐式反馈(曝光未点击的文章)进行建模，帮助模型学习到当前会话中用户的兴趣偏好，在离线数据上进行准确率测试，可以获得比传统方法分数更高的推荐结果。

附图说明

图1为本发明的推荐过程示意图；

图2为本发明的模型参数更新示意图；

图3为本发明内容特征向量获取过程示意图；

图4为本发明会话向量获取过程及参数更新的示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

如图1所示，本实施例提供一种基于用户隐式反馈的会话新闻推荐方法，包括以下步骤：

获取会话数据，对用户当前会话中点击过的新闻序列进行特征提取，获得每一篇新闻文章的文章向量，所述文章向量包括内容特征向量和共现特征向量，内容特征向量和共现特征向量连接形成文章向量；

获取会话数据，利用用户正隐式反馈获取所述新闻序列中每一篇新闻文章的注意力权重，基于所述注意力权重和当前会话中每一篇新闻文章对应的文章向量加权获得一会话向量，所述用户正隐式反馈为用户在每篇新闻文章上停留的时间；

计算所述会话向量与待推荐新闻的文章向量间的余弦相似度，基于所述余弦相似度推送相应新闻文章，具体可为：以所述余弦相似度作为对应文章的得分，对所有文章的分数进行排序，选取排名最高的若干篇文章，产生需要推送的新闻列表。

上述共现特征向量通过一共现特征编码学习模型获得，会话向量通过一会话表示模型获得，如图2所示，所述共现特征编码学习模型和会话表示模型的模型参数基于会话向量实现更新，具体通过以下方式进行更新：

计算会话向量和所有文章向量的余弦相似度，并归一化，作为该会话中用户下一个点击对应文章的可能性，将用户真正点击的下一篇文章作为标签，通过负样本采样算法，考虑用户负隐式反馈，利用交叉熵构建损失函数，使用Adam优化器更新所述模型参数，所述用户负隐式反馈为曝光未点击的文章。

内容特征向量通过以下方式获得：利用word2vec对新闻文章的标题文本内容进行特征提取，结合新闻类别进行有监督分类训练，获得隐层向量作为代表文章主题的所述内容特征向量。如图3所示，有监督分类训练具体为：

I、加载***内的新闻文章内容，包括新闻标题和新闻类别，对文章标题使用word2vec编码；

II、加载word2vec中预训练的词向量，对标题中所有单词的词向量并行经过3个一维卷积神经网络和池化网络；

III、连接3路并行向量并通过两层全连接网络；

IV、在分类层预测、训练、更新文章所属的类别；

V、待模型收敛后，获取最后一层全连接层的隐式向量，作为文章内容的向量表示，所采用的交叉熵损失函数表示为

其中，N为所有文章数量，y_i是文章i的类别编码，

是全连接层输出的预测出的每个类别的概率，θ是模型的参数，λ是正则化比例参数。

共现特征向量通过以下方式获得：对不同新闻文章进行随机初始化的隐式向量表示，提取文章与文章之间的共现特征，生成所述共现特征向量。

如图4所示，会话向量使用注意力网络编码获得，具体过程包括：

分别编码文章向量(文章内容特征向量和文章共现特征向量)和用户停留时间的向量，用户停留时间的向量作为用户正隐式反馈。对用户停留时间的处理具体为：用户在文章i上停留的时间t_i，对时间t_i进行离散化，t’_i＝[log₂t_i]，并离散变量t’_i分类为，≤1、1～2、2～3、3～4、4～5、5～6、6～7、7～8、8～9、9～10、＞10共11个类别，对每一个类别对应生成embedding向量ta_i，计算注意力权重α_i：

α_i＝W₀×σ(W₁×c_ci+W₂×ta_i+b₁)，

其中，α_i为所述新闻序列中新闻文章i的注意力权重，W₀、W₁、W₂为权重矩阵，x_ci为文章向量，b₁为偏置矩阵。

对所述注意力权重进行归一化，计算每篇文章的加权平均向量作为最后的会话向量：

其中，x_s为会话向量，T是用户在当前会话阅读的新闻数量。

在获得会话向量后，使用交叉熵损失函数最大化会话向量和下一篇文章的向量的相似度，最小化会话向量和其他文章的向量的相似度，进一步，最小化会话向量和曝光未点击文章的向量的相似度，曝光未点击的文章向量在下一篇点击的文章发布时间附近的文章中进行采样。使用Adam优化器更新模型参数，使用命中率(HR)衡量推荐***的稳定性，当HR分数降低时，停止训练迭代，得到最优的模型参数。所述损失函数表示为：

其中，S表示训练集中所有会话，y_j＝1表示文章j是当前会话中用户下一个点击的文章，反之y_j＝0；

表示模型预测的文章j作为当前会话中下一个被点击的文章的概率；x_cj是负样本文章n_j的文章向量，Ne表示负样本集合，λ是权重参数，

是指示函数，其值为1当且仅当表达式为真。

曝光未点击的文章基于负样本采样算法获得，具体为：按照新闻文章发布时间对所有文章进行排序，把用户真正点击的下一篇文章作为中心点，在一固定大小的滑动窗口中随机选择负样本，形成负样本集合。本实施例中，固定大小为200。

上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

实施例2

本实施例提供一种基于用户隐式反馈的会话新闻推荐***，包括新闻内容编码模块、新闻共现特征编码学习模块、会话表示模块、用户兴趣预测模块和线上推荐模块，其中，新闻内容编码模块用于对新闻文章的标题文本内容进行特征提取，结合新闻类别进行有监督分类训练，获得隐层向量作为代表文章主题的内容特征向量；新闻共现特征编码学习模块用于采用一共现特征编码学习模型提取文章与文章之间的共现特征，生成共现特征向量；会话表示模块利用用户正隐式反馈获取所述新闻序列中每一篇新闻文章的注意力权重，基于所述注意力权重和每一篇新闻文章对应的文章向量加权，通过一会话表示模型获得会话向量，所述用户正隐式反馈为用户在每篇新闻文章上停留的时间；用户兴趣预测模块，基于所述会话向量预测用户下一次点击的文章，并对所述共现特征编码学习模型和会话表示模型的模型参数进行更新；线上推荐模块，用于计算所述会话向量与待推荐新闻的文章向量间的余弦相似度，基于所述余弦相似度推送相应新闻文章。

上述推荐***中，新闻内容编码模块利用word2vec对新闻文章的标题文本内容进行特征提取，结合新闻类别进行有监督分类训练，获得隐层向量作为代表文章主题的向量表示；新闻共现特征编码学习模块用于对不同新闻文章进行随机初始化的隐式向量表示，然后在用户兴趣预测模块对该向量进行学习更新，提取文章与文章之间的共现特征；会话表示模块在单个会话中，按照点击顺序标记用户点击的文章，结合注意力机制对该序列进行特征抽取和向量表示，并引入用户在每篇新闻文章上停留的时间信息；用户兴趣预测模块基于会话表示模块的输出预测用户下一次点击的文章，采用Adam优化器优化更新新闻共现特征编码学习模块和会话表示模块中的模型参数。

采用用户兴趣预测模块进行新闻共现特征编码学习模块和会话表示模块中模型参数更新的过程具体可为：

计算会话向量x_s和所有文章向量x_cj的余弦相似度z_j＝x_s·x_cj，对该分数进行softmax归一化，作为该会话中用户下一个点击对应文章的可能性，将用户真正点击的下一篇文章作为标签，通过负样本采样算法，考虑用户负隐式反馈，利用交叉熵构建损失函数，使用Adam优化器更新所述模型参数，所述用户负隐式反馈为曝光未点击的文章。

其余同实施例1。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于用户隐式反馈的会话新闻推荐方法，其特征在于，包括以下步骤：

对用户当前会话中点击过的新闻序列进行特征提取，获得每一篇新闻文章的文章向量，所述文章向量包括内容特征向量和共现特征向量；

利用用户正隐式反馈获取所述新闻序列中每一篇新闻文章的注意力权重，基于所述注意力权重和每一篇新闻文章对应的文章向量加权获得一会话向量，所述用户正隐式反馈为用户在每篇新闻文章上停留的时间；

计算所述会话向量与待推荐新闻的文章向量间的余弦相似度，基于所述余弦相似度推送相应新闻文章；

所述共现特征向量通过一共现特征编码学习模型获得，所述会话向量通过一会话表示模型获得，所述共现特征编码学习模型和会话表示模型的模型参数通过以下方式进行更新：

计算会话向量和所有文章向量的余弦相似度，并归一化，作为该会话中用户下一个点击对应文章的可能性，将用户真正点击的下一篇文章作为标签，通过负样本采样算法，考虑用户负隐式反馈，利用交叉熵构建损失函数，更新所述模型参数，所述用户负隐式反馈为曝光未点击的文章。

2.根据权利要求1所述的基于用户隐式反馈的会话新闻推荐方法，其特征在于，所述内容特征向量通过以下方式获得：

利用word2vec对新闻文章的标题文本内容进行特征提取，结合新闻类别进行有监督分类训练，获得隐层向量作为代表文章主题的所述内容特征向量。

3.根据权利要求1所述的基于用户隐式反馈的会话新闻推荐方法，其特征在于，所述共现特征向量通过以下方式获得：

对不同新闻文章进行随机初始化的隐式向量表示，提取文章与文章之间的共现特征，生成所述共现特征向量。

4.根据权利要求1所述的基于用户隐式反馈的会话新闻推荐方法，其特征在于，所述会话向量的计算过程包括：

获取用户正隐式反馈，即用户在文章i上停留的时间t_i，对时间t_i进行离散化并分类，对每一个类别对应生成embedding向量ta_i，计算注意力权重α_i：

α_i＝W₀×σ(W₁×x_ci+W₂×ta_i+b₁)，

其中，α_i为所述新闻序列中新闻文章i的注意力权重，W₀、W₁、W₂为权重矩阵，x_ci为文章向量，b₁为偏置矩阵；

对所述注意力权重进行归一化，计算每篇文章的加权平均向量作为最后的会话向量：

其中，x_s为会话向量，T是用户在当前会话阅读的新闻数量。

5.根据权利要求1所述的基于用户隐式反馈的会话新闻推荐方法，其特征在于，所述损失函数表示为：

其中，S表示训练集中所有会话，y_j＝1表示文章j是当前会话中用户下一个点击的文章，反之y_j＝0；

表示模型预测的文章j作为当前会话中下一个被点击的文章的概率；x_cj是负样本文章n_j的文章向量，Ne表示负样本集合，λ是权重参数，

是指示函数，其值为1当且仅当表达式为真。

6.根据权利要求1所述的基于用户隐式反馈的会话新闻推荐方法，其特征在于，所述负样本采样算法具体为：

按照新闻文章发布时间对所有文章进行排序，把用户真正点击的下一篇文章作为中心点，在一固定大小的滑动窗口中随机选择负样本，形成负样本集合。

7.根据权利要求1所述的基于用户隐式反馈的会话新闻推荐方法，其特征在于，基于所述余弦相似度推送相应新闻文章具体为：

以所述余弦相似度作为对应文章的得分，对所有文章的分数进行排序，选取排名最高的若干篇文章，产生需要推送的新闻列表。

8.一种基于用户隐式反馈的会话新闻推荐***，其特征在于，包括：

新闻内容编码模块，用于对新闻文章的标题文本内容进行特征提取，结合新闻类别进行有监督分类训练，获得隐层向量作为代表文章主题的内容特征向量；

新闻共现特征编码学习模块，用于采用一共现特征编码学习模型提取文章与文章之间的共现特征，生成共现特征向量；

会话表示模块，利用用户正隐式反馈获取所述新闻序列中每一篇新闻文章的注意力权重，基于所述注意力权重和每一篇新闻文章对应的文章向量加权，通过一会话表示模型获得会话向量，所述用户正隐式反馈为用户在每篇新闻文章上停留的时间；

用户兴趣预测模块，基于所述会话向量预测用户下一次点击的文章，并对所述共现特征编码学习模型和会话表示模型的模型参数进行更新，具体地：

计算会话向量和所有文章向量的余弦相似度，并归一化，作为该会话中用户下一个点击对应文章的可能性，将用户真正点击的下一篇文章作为标签，通过负样本采样算法，考虑用户负隐式反馈，利用交叉熵构建损失函数，更新所述模型参数，所述用户负隐式反馈为曝光未点击的文章；

线上推荐模块，用于计算所述会话向量与待推荐新闻的文章向量间的余弦相似度，基于所述余弦相似度推送相应新闻文章。

9.根据权利要求8所述的基于用户隐式反馈的会话新闻推荐***，其特征在于，所述会话向量的计算过程包括：

获取用户正隐式反馈，即用户在文章i上停留的时间t_i，对时间t_i进行离散化并分类，对每一个类别对应生成embedding向量ta_i，计算注意力权重α_i：

α_i＝W₀×σ(W₁×c_ci+W₂×ta_i+b₁)，

其中，α_i为所述新闻序列中新闻文章i的注意力权重，W₀、W₁、W₂为权重矩阵，x_ci为文章向量，b₁为偏置矩阵；

对所述注意力权重进行归一化，计算每篇文章的加权平均向量作为最后的会话向量：

其中，x_s为会话向量，T是用户在当前会话阅读的新闻数量。

10.根据权利要求8所述的基于用户隐式反馈的会话新闻推荐***，其特征在于，所述损失函数表示为：

其中，S表示训练集中所有会话，y_j＝1表示文章j是当前会话中用户下一个点击的文章，反之y_j＝0；

表示模型预测的文章j作为当前会话中下一个被点击的文章的概率；x_cj是负样本文章n_j的文章向量，Ne表示负样本集合，λ是权重参数，

是指示函数，其值为1当且仅当表达式为真。

Images