• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于知識(shí)增強(qiáng)的深度新聞推薦網(wǎng)絡(luò)

    2021-03-31 10:28:24劉瓊昕宋祥覃明帥
    關(guān)鍵詞:新聞標(biāo)題圖譜實(shí)體

    劉瓊昕, 宋祥, 覃明帥

    (1.北京理工大學(xué) 計(jì)算機(jī)學(xué)院,北京 100081;2.北京市海量語言信息處理與云計(jì)算應(yīng)用工程技術(shù)研究中心,北京 100081)

    新聞平臺(tái)擁有大量的新聞信息,如果讓用戶直接選擇,那么會(huì)對(duì)用戶造成極大的選擇困擾.因此,構(gòu)建一個(gè)能夠捕獲用戶的閱讀興趣并推送相關(guān)信息的個(gè)性化推薦系統(tǒng)對(duì)于新聞平臺(tái)來說是至關(guān)重要的.在推薦系統(tǒng)中,主要有3類算法:基于內(nèi)容的方法、協(xié)同過濾和混合方法.由于協(xié)同過濾具有用戶和物品的交互信息是稀疏的特點(diǎn)且存在冷啟動(dòng)問題,不適合新聞推薦場(chǎng)景,主流的新聞推薦方法通常是基于內(nèi)容或者混合方法.

    隨著深度學(xué)習(xí)技術(shù)的發(fā)展,一些研究人員開始利用深度學(xué)習(xí)模型來構(gòu)建新聞特征和用戶興趣特征.Steffen提出了基于特征的因子分解模型LibFM[1],該模型在矩陣分解(MF)[2]、SVD++[3]、PITF[4]、FPMC[5]等基礎(chǔ)之上,針對(duì)高維稀疏數(shù)據(jù),實(shí)現(xiàn)了隨機(jī)梯度下降(SGD)、交替最小二乘(ALS)[6]和使用MCMC進(jìn)行貝葉斯推斷的方法[7].Cheng等[8]提出了推薦模型Wide&Deep,將邏輯回歸模型和前饋神經(jīng)網(wǎng)絡(luò)結(jié)合起來,既發(fā)揮邏輯回歸模型的優(yōu)勢(shì),又利用前饋神經(jīng)網(wǎng)絡(luò)的自動(dòng)特征組合學(xué)習(xí)和強(qiáng)泛化能力進(jìn)行補(bǔ)充,對(duì)模型整體學(xué)習(xí),在Google Apps推薦的大規(guī)模數(shù)據(jù)上成功應(yīng)用.Guo等[9]在FM[10]、FFM[11]的基礎(chǔ)上進(jìn)行改進(jìn),加入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提出了深度推薦模型DeepFM.該模型通過加入多層的神經(jīng)網(wǎng)絡(luò),使得低階和高階特征組合隱含地體現(xiàn)在隱藏層中,解決之前模型只實(shí)現(xiàn)二階組合特征的缺陷;并通過FFM的思想,將特征分為不同的域(Filed),降低模型網(wǎng)絡(luò)參數(shù);模型設(shè)計(jì)了并行和串行結(jié)構(gòu),實(shí)現(xiàn)了高階的特征組合.

    現(xiàn)階段,基于新聞的推薦系統(tǒng)僅僅從語義層對(duì)新聞進(jìn)行表示學(xué)習(xí),忽略了新聞本身包含的知識(shí)層面的信息.而知識(shí)層面的信息大部分都存在于知識(shí)圖譜中,將新聞推薦模型與知識(shí)圖譜相結(jié)合的相關(guān)研究還很少.Wang等[12]提出了融合知識(shí)圖譜信息的深度推薦模型DKN.DKN首先構(gòu)造了一個(gè)與任務(wù)高度相關(guān)的知識(shí)圖譜,接著在傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上,將知識(shí)圖譜的實(shí)體信息融入到神經(jīng)網(wǎng)絡(luò)中,實(shí)現(xiàn)了把新聞的語義表示和實(shí)體的知識(shí)表示融合的目標(biāo).這種方法雖然考慮了不同層面上的信息,實(shí)驗(yàn)證明比未添加實(shí)體信息的傳統(tǒng)方法效果好,但是用知識(shí)表示學(xué)習(xí)模型單獨(dú)生成的實(shí)體向量更適合用于鏈接預(yù)測(cè)等任務(wù),直接用在推薦模型中會(huì)丟失新聞實(shí)體之間的聯(lián)系,造成一定程度的信息丟失.

    現(xiàn)有的深度新聞推薦網(wǎng)絡(luò)模型對(duì)知識(shí)圖譜的融合只考慮實(shí)體本身的信息,融合知識(shí)圖譜的實(shí)體特征或者與實(shí)體距離為1的相鄰實(shí)體特征.這種方法雖然考慮了不同層面上的信息,補(bǔ)充了新聞實(shí)體信息,但是未考慮新聞實(shí)體之間的關(guān)聯(lián)關(guān)系[13],忽略了知識(shí)圖譜中遠(yuǎn)距離實(shí)體之間的聯(lián)系,造成了新聞實(shí)體之間的關(guān)聯(lián)信息和深層次語義聯(lián)系的缺失.針對(duì)該信息缺失問題,本文提出了基于知識(shí)增強(qiáng)的深度新聞推薦網(wǎng)絡(luò)DKEN,補(bǔ)充新聞標(biāo)題實(shí)體之間的關(guān)聯(lián)信息,在構(gòu)建用戶興趣特征和預(yù)測(cè)點(diǎn)擊候選新聞概率中分別添加實(shí)體路徑特征[14],補(bǔ)充知識(shí)圖譜中遠(yuǎn)距離實(shí)體之間的聯(lián)系,增強(qiáng)模型的表達(dá)能力.

    1 問題描述

    融合知識(shí)圖譜的深度新聞推薦網(wǎng)絡(luò)模型通過構(gòu)建新聞特征和用戶興趣特征對(duì)候選新聞進(jìn)行推薦.模型定義如式(1)所示.

    p=f(u,v|θ,C,G)

    (1)

    模型的整體流程如圖1所示.在模型訓(xùn)練模塊,DKEN考慮了兩種向量:一種是實(shí)體和關(guān)系向量;一種是新聞標(biāo)題中的詞向量.實(shí)體和關(guān)系向量首先從新聞?wù)Z料中識(shí)別出實(shí)體,將其與知識(shí)圖譜中的實(shí)體相匹配,構(gòu)造出新的知識(shí)圖譜,利用知識(shí)表示學(xué)習(xí)模型得到實(shí)體和關(guān)系的向量表示.新聞標(biāo)題中的詞向量表示使用大規(guī)模語料通過詞嵌入方法得到.在模型測(cè)試模塊,基于訓(xùn)練得到的DKEN模型,預(yù)測(cè)用戶點(diǎn)擊候選新聞的概率.

    圖1 DKEN的整體流程

    2 模型描述

    2.1 模型架構(gòu)

    DKEN的整體框架如圖2所示,輸入是候選新聞標(biāo)題、用戶瀏覽過的新聞標(biāo)題以及候選新聞標(biāo)題與每個(gè)瀏覽過的新聞標(biāo)題之間的實(shí)體路徑,輸出是用戶點(diǎn)擊候選新聞標(biāo)題的概率.模型首先用基于知識(shí)感知的卷積神經(jīng)網(wǎng)絡(luò)(knowledge-aware convolutional neural network,KCNN)[12]融合新聞標(biāo)題的文本特征、實(shí)體特征和實(shí)體上下文特征,構(gòu)建候選新聞特征.然后,對(duì)于用戶瀏覽過的新聞標(biāo)題,考慮候選新聞特征,使用注意力網(wǎng)絡(luò)動(dòng)態(tài)地構(gòu)建用戶的興趣特征.為了更好地刻畫用戶瀏覽過的新聞標(biāo)題與候選新聞標(biāo)題之間的遠(yuǎn)距離聯(lián)系,論文額外考慮了兩者所包含實(shí)體之間的路徑信息,利用長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建路徑特征.最終,以候選新聞特征、用戶的動(dòng)態(tài)興趣特征和加權(quán)實(shí)體路徑特征為輸入,用多層感知機(jī)(MLP)得到用戶點(diǎn)擊候選新聞的概率,進(jìn)而達(dá)到推薦目的.

    圖2 DKEN的整體結(jié)構(gòu)

    2.2 知識(shí)圖譜構(gòu)建

    為了在模型中利用知識(shí)圖譜的信息,本文首先構(gòu)建一個(gè)和任務(wù)高度相關(guān)的知識(shí)圖譜.首先從新聞標(biāo)題中識(shí)別出實(shí)體,本文采用Sil等[15]所提出的實(shí)體鏈接技術(shù),將新聞標(biāo)題中的單詞與知識(shí)庫中的實(shí)體進(jìn)行匹配消歧.在處理完所有的新聞標(biāo)題后,得到一個(gè)新聞實(shí)體集合Enews.由于原始的知識(shí)圖譜規(guī)模較大,包含了大量與集合Enews中的實(shí)體無關(guān)的內(nèi)容,為了減少計(jì)算代價(jià),本文根據(jù)集合Enews從原始的知識(shí)圖譜中抽取出一個(gè)子圖,子圖中剔除了那些不屬于集合Enews且不處于連通任意ei∈Enews的路徑上的結(jié)點(diǎn)和相應(yīng)的邊.接下來本采用知識(shí)表示學(xué)習(xí)方法,例如TransE[16]、TransH[17]、TransR[18]、TransD[19]等將知識(shí)圖譜子圖中的實(shí)體和關(guān)系映射到低維向量空間,得到實(shí)體和關(guān)系的特征向量,供后續(xù)的DKEN模型使用.

    2.3 新聞特征構(gòu)建

    本文構(gòu)建新聞特征采用與DKN模型相同的方法,即使用知識(shí)感知的卷積神經(jīng)網(wǎng)絡(luò)KCNN來提取新聞特征.該方法以Kim提出的TextCNN[20]為基礎(chǔ)模型,融合文本特征、實(shí)體特征和實(shí)體上下文特征來提取新聞特征.

    (2)

    2.4 實(shí)體路徑特征構(gòu)建

    (3)

    其中,⊕為連接運(yùn)算符,將實(shí)體向量el與關(guān)系向量rl連接為一個(gè)2d維的向量xl,作為L(zhǎng)STM的第l個(gè)輸入,對(duì)于l=L的情況,用一個(gè)零向量填充缺失的關(guān)系向量.在LSTM中,每個(gè)單元的計(jì)算如式(4)~(9)所示.

    zl=tanh(Wzxl+Whhl-1+bz)

    (4)

    fl=σ(Wfxl+Whhl-1+bf)

    (5)

    il=σ(Wixl+Whhl-1+bi)

    (6)

    ol=σ(Woxl+Whhl-1+bo)

    (7)

    cl=fl·cl-1+il·zl

    (8)

    hl=oltanh(cl)

    (9)

    其中,cl∈Rd′、z∈Rd′分別為細(xì)胞狀態(tài)以及當(dāng)前細(xì)胞要更新的信息;d′為隱含層的單元數(shù)量,即狀態(tài)向量的維度;il、ol和fl分別代表輸入門、輸出門和遺忘門;Wz∈Rd′×3d、Wf∈Rd′×3d、Wi∈Rd′×3d、Wh∈Rd′×d′分別代表映射矩陣;bz、bf、bi和bo為偏置向量.σ為sigmoid激活函數(shù),為逐元素(element-wise)的乘法操作.最后一層輸出hl作為整個(gè)路徑的特征向量表示,用H來表示LSTM網(wǎng)絡(luò),即H(p)=hl.

    (10)

    2.5 用戶興趣特征構(gòu)建

    圖3 注意力網(wǎng)絡(luò)

    (11)

    用戶u的動(dòng)態(tài)興趣特征qu的計(jì)算公式如式(12)所示.

    (12)

    2.6 預(yù)測(cè)點(diǎn)擊概率

    在預(yù)測(cè)用戶u是否會(huì)點(diǎn)擊候選新聞標(biāo)題tj時(shí),本文提出的模型DKEN不僅考慮了用戶的動(dòng)態(tài)興趣特征、候選新聞特征,還考慮了候選新聞標(biāo)題和用戶瀏覽過的新聞標(biāo)題的的加權(quán)路徑特征,通過多層感知機(jī)預(yù)測(cè)用戶點(diǎn)擊候選新聞的概率.

    候選新聞特征qt如式(2)所示,用戶u的動(dòng)態(tài)興趣特征qu如式(12)所示,候選新聞標(biāo)題和用戶瀏覽過的新聞標(biāo)題的的加權(quán)路徑特征pu,tj的計(jì)算公式如式(13)所示.

    (13)

    最后,用一個(gè)多層感知機(jī)G來預(yù)測(cè)用戶u點(diǎn)擊候選新聞tj的概率,計(jì)算公式如式(14)所示.

    pu,tj=G(qu,qtj,pu,tj)

    (14)

    3 實(shí)驗(yàn)結(jié)果和分析

    3.1 實(shí)驗(yàn)設(shè)置

    本文采用的數(shù)據(jù)集與DKN相同,來自必應(yīng)新聞,其中每條記錄包含用戶ID、新聞標(biāo)題、用戶是否瀏覽以及時(shí)間戳等信息.訓(xùn)練集數(shù)據(jù)集來自2016年10月16日至2017年6月11日的新聞,測(cè)試集數(shù)據(jù)來自2017年6月12日至2017年8月11日的新聞.本文通過微軟的Satori知識(shí)圖譜數(shù)據(jù)庫信息,將新聞標(biāo)題中的單詞與知識(shí)庫中的實(shí)體進(jìn)行匹配消歧,并同時(shí)獲得與實(shí)體一步可達(dá)的實(shí)體.表1和表2分別是提取的知識(shí)圖譜和新聞數(shù)據(jù)集的統(tǒng)計(jì)信息.

    表1 提取的知識(shí)圖譜的統(tǒng)計(jì)信息

    表2 新聞數(shù)據(jù)集的統(tǒng)計(jì)信息

    圖4和圖5分別是一條新聞標(biāo)題中單詞(去除停用詞)和實(shí)體的數(shù)目的分布.實(shí)驗(yàn)中訓(xùn)練集和測(cè)試集都經(jīng)過采樣保證正負(fù)樣本的均衡,表3是訓(xùn)練集和測(cè)試集的統(tǒng)計(jì)信息.

    圖4 新聞標(biāo)題單詞數(shù)量分布

    圖5 新聞標(biāo)題實(shí)體數(shù)量分布

    表3 訓(xùn)練集和測(cè)試集的統(tǒng)計(jì)信息

    實(shí)驗(yàn)的參數(shù)設(shè)置如下:word embeddings和entity embeddings的維度是100,KCNN中,窗口大小是1,2,3,4,每個(gè)窗口對(duì)應(yīng)的卷積核個(gè)數(shù)均是100.使用Adam[22]訓(xùn)練優(yōu)化模型.

    實(shí)驗(yàn)對(duì)比的基準(zhǔn)方法如下.

    TextCNN:從新聞標(biāo)題的詞向量中提取文本特征作為新聞的向量表示,用戶特征用該用戶瀏覽過新聞的特征向量的均值來表示,用一個(gè)多層感知機(jī)基于用戶特征和候選新聞特征來預(yù)測(cè)用戶瀏覽新聞的概率.

    KPCNN[23]:在TextCNN的基礎(chǔ)上,引入單詞對(duì)應(yīng)的實(shí)體的向量,將其拼接在單詞的詞向量后面作為單詞的綜合向量.

    DKN:利用TextCNN從新聞的文本特征和實(shí)體特征中學(xué)習(xí)新聞的綜合特征,利用注意力網(wǎng)絡(luò)構(gòu)動(dòng)態(tài)構(gòu)造用戶特征.

    Wide&Deep:一種通用的推薦模型,包含一個(gè)線性的wide通道和非線性的deep通道.

    LibFM:一個(gè)經(jīng)典的基于特征分解的CTR預(yù)估模型.

    3.2 實(shí)驗(yàn)結(jié)果分析

    3.2.1基準(zhǔn)模型對(duì)比

    DKEN和各種基準(zhǔn)方法的實(shí)驗(yàn)結(jié)果對(duì)比如表4所示,為了更方便的對(duì)比數(shù)據(jù),在AUC指標(biāo)上,將數(shù)值放大100倍后顯示.其中Wide&Deep*和LibFM*分別代表Wide&Deep和LibFM去掉實(shí)體向量輸入后的版本.

    表4 DKEN與基準(zhǔn)模型的實(shí)驗(yàn)結(jié)果比較

    從表4中可以得出,LibFM的表現(xiàn)最差,一方面是因?yàn)長(zhǎng)ibFM模型本身結(jié)構(gòu)比較簡(jiǎn)單,限制了表達(dá)能力;另一方面是因?yàn)長(zhǎng)ibFM需要人工從詞向量中構(gòu)造新聞的特征和用戶特征,人工很難構(gòu)造出最適合該模型的特征.除了LibFM,其他模型均為深度網(wǎng)絡(luò)模型,其中Wide&Deep是一種通用的推薦模型,應(yīng)用于本論文描述的新聞推薦問題時(shí),同樣需要人工從詞向量中構(gòu)造新聞特征作為模型輸入,因此效果相對(duì)較差.Wide&Deep和LibFM在引入了實(shí)體向量作為額外輸入后,性能均得到了一定的提升.

    TextCNN、KPCNN、DKN、DKEN這4種模型均是基于CNN從原始的詞向量中提取新聞特征.其中TextCNN僅考慮新聞標(biāo)題文本的詞向量,KPCNN在TextCNN的基礎(chǔ)上,將單詞的對(duì)應(yīng)實(shí)體的向量拼接在每一個(gè)詞向量后面作為單詞的綜合向量,模型相對(duì)TextCNN有一點(diǎn)提升.DKN在TextCNN的基礎(chǔ)上,以多通道的形式融合了詞向量和實(shí)體向量,并對(duì)實(shí)體向量做了映射,這種方式與KPCNN直接拼接兩種向量的做法相比更加合理,另外還引入了注意力網(wǎng)絡(luò)來更好地構(gòu)造用戶特征,因此DKN與KPCNN相比有了更大的提升.本文提出的模型DKEN在DKN的基礎(chǔ)上引入路徑向量,在一定程度上彌補(bǔ)了實(shí)體向量的信息丟失,加強(qiáng)了注意力網(wǎng)絡(luò)的效果,與DKN 相比有了進(jìn)一步的提升.

    3.2.2模型變體對(duì)比

    為了進(jìn)一步說明DKEN中各種機(jī)制的效果,本文針對(duì)DKEN的各種變體進(jìn)行了對(duì)比實(shí)驗(yàn),結(jié)果如表5所示.其中,DKEN without attention表示DKEN去除注意力網(wǎng)絡(luò)后的模型,DKEN without path embedding表示DKEN去除實(shí)體路徑向量后的模型,DKEN without context embedding表示DKEN去除實(shí)體上下文向量后的模型,DKEN without entity embedding表示DKEN 去除實(shí)體向量后的模型,DKEN without knowledge embedding表示DKEN去除了實(shí)體向量和實(shí)體上下文向量后的模型,DKEN without mapping表示DKEN去除了對(duì)實(shí)體向量的映射后的模型,DKEN+TransE、DKEN+TransH和DKEN+TransR中的實(shí)體向量分別通過TransE、TransH和TransR學(xué)習(xí)得到,其他情況下的DKEN默認(rèn)采用TransD 學(xué)習(xí)實(shí)體向量.

    表5 DKEN變體直接的實(shí)驗(yàn)結(jié)果比較

    從表5中可以得出如下結(jié)論.

    (1)實(shí)體路徑向量的引入使得模型性能得到了提升.對(duì)知識(shí)圖譜信息的融合如果僅僅考慮實(shí)體的信息,那么就會(huì)忽略了遠(yuǎn)距離實(shí)體之間的聯(lián)系,實(shí)體路徑向量補(bǔ)充了這種實(shí)體之間的關(guān)系聯(lián)系和深層次語義聯(lián)系.

    (2)注意力網(wǎng)絡(luò)使模型關(guān)注到更為重要的信息,性能得到較大提升.

    (3)實(shí)體向量和實(shí)體上下文向量都能帶來一些提升,同時(shí)將這兩種向量作為輸入時(shí),它們能夠起到互補(bǔ)的作用,帶來更多的提升.

    (4)非線性映射函數(shù)的引入能夠有效地減輕實(shí)體向量與詞向量的兼容性問題,顯著地提升模型效果.

    (5)在使用不同的知識(shí)表示學(xué)習(xí)模型生成的向量時(shí),DKEN性能有一些較小的變化,其中使用TransD生成的向量的DKEN模型取得了最好的效果.

    3.2.3案例分析

    為了直觀地說明知識(shí)圖譜在模型中起到的作用,本文抽取了某個(gè)用戶A在訓(xùn)練集和測(cè)試集中的樣本,分別如表6和表7所示,在訓(xùn)練樣本集中,第1~5條跟IT相關(guān),第6~8條跟政治相關(guān),在測(cè)試樣本集中,第1~3條和IT相關(guān),第4條和電影相關(guān).論文用同樣的數(shù)據(jù)集分別訓(xùn)練包含知識(shí)圖譜信息的模型(DKEN with KG)和不包含知識(shí)圖譜信息的模型(DKEN without KG),這兩種模型對(duì)用戶A進(jìn)行預(yù)測(cè)時(shí)的注意力結(jié)果分別如圖6和圖7所示,顏色越深表示注意力越高.從圖5中可以看出,第1條測(cè)試樣本對(duì)第1~4條訓(xùn)練樣本有較高的注意力,這是因?yàn)椤癆pple”、“Microsoft”等詞在新聞標(biāo)題語料庫中經(jīng)常一起出現(xiàn),如表8所示,而詞向量正是基于這種詞的共現(xiàn)關(guān)系來生成的,因此僅使用詞向量的模型也能較好地捕獲這種關(guān)聯(lián).第2~3條測(cè)試樣本的結(jié)果較差,因?yàn)檫@兩個(gè)標(biāo)題中詞與訓(xùn)練樣本中的詞沒有在語料庫中頻繁地共現(xiàn).而在圖6中可以看出,第2條測(cè)試樣本對(duì)第3~4條訓(xùn)練樣本有較高注意力,第3條測(cè)試樣本對(duì)第1~2條訓(xùn)練樣本有較高注意力.這是因?yàn)椤癥outube”和“Cortana”的實(shí)體在知識(shí)圖譜中分別與“Google”和“Microsoft”的實(shí)體密切相關(guān),它們的上下文重疊程度較高.

    表6 用戶A的訓(xùn)練樣本集

    表7 用戶A的測(cè)試樣本集

    表8 部分與Microsoft相關(guān)的新聞標(biāo)題

    圖6 用戶A訓(xùn)練集和測(cè)試集的注意力可視化結(jié)果(有KG)

    圖7 用戶A訓(xùn)練集和測(cè)試集的注意力可視化結(jié)果(無KG)

    3.2.4推薦結(jié)果解釋

    結(jié)合注意力機(jī)制和新聞之間的實(shí)體關(guān)系路徑,論文可以模型的推薦結(jié)果提供直觀的解釋.以用戶A的測(cè)試樣本3為例,該樣本的注意力集中在訓(xùn)練樣本1和訓(xùn)練樣本2,這意味著測(cè)試樣本3被推薦給用戶A主要是受訓(xùn)練樣本1和2的影響,因此可以將訓(xùn)練樣本1和2中的實(shí)體與測(cè)試樣本3中的實(shí)體之間的路徑提取出來作為推薦的解釋.訓(xùn)練樣本1和2中包含實(shí)體“Microsoft”、“Windows”和“Microsoft Surface”,測(cè)試樣本3中包含實(shí)體“Cortana”,在知識(shí)圖譜中實(shí)體之間的關(guān)系如圖8所示.DKEN模型在預(yù)測(cè)用戶興趣時(shí),考慮到了實(shí)體在知識(shí)圖譜中的關(guān)聯(lián),測(cè)試樣本3被推薦給用戶A,很大程度上是因?yàn)椤癈ortana”與“Microsoft”等實(shí)體關(guān)系密切,因此可以將這種實(shí)體關(guān)系展示出來解釋推薦的原因.

    圖8 對(duì)推薦結(jié)果的知識(shí)路徑解釋

    4 結(jié) 論

    本文基于現(xiàn)有的新聞推薦系統(tǒng)無法捕捉實(shí)體之間的深層次語義聯(lián)系,提出了DKEN模型.模型利用KCNN從新聞標(biāo)題的詞向量、實(shí)體向量和實(shí)體上下文向量組成的三通道輸入中提取新聞特征,利用注意力網(wǎng)絡(luò)根據(jù)用戶瀏覽過的新聞標(biāo)題和候選新聞標(biāo)題來動(dòng)態(tài)構(gòu)建用戶特征、實(shí)體路徑特征.為了更好地刻畫用戶瀏覽過的新聞標(biāo)題與候選新聞標(biāo)題之間的遠(yuǎn)距離聯(lián)系,論文額外考慮了兩者所包含實(shí)體之間的路徑信息,利用LSTM構(gòu)建實(shí)體路徑特征.最后通過MLP來預(yù)測(cè)用戶點(diǎn)擊候選新聞標(biāo)題的概率.實(shí)驗(yàn)結(jié)果顯示該模型效果優(yōu)于其他新聞推薦模型.在DKEN模型中,新聞標(biāo)題中的部分單詞無法對(duì)應(yīng)到知識(shí)圖譜中的實(shí)體,本文的做法是用零向量填充,在未來的工作中,可以考慮用更合理的方法解決該問題.

    猜你喜歡
    新聞標(biāo)題圖譜實(shí)體
    繪一張成長(zhǎng)圖譜
    前海自貿(mào)區(qū):金融服務(wù)實(shí)體
    談新聞標(biāo)題的現(xiàn)實(shí)性
    活力(2019年22期)2019-03-16 12:49:06
    網(wǎng)絡(luò)新聞標(biāo)題與報(bào)紙新聞標(biāo)題的對(duì)比
    活力(2019年22期)2019-03-16 12:48:00
    實(shí)體的可感部分與實(shí)體——兼論亞里士多德分析實(shí)體的兩種模式
    補(bǔ)腎強(qiáng)身片UPLC指紋圖譜
    中成藥(2017年3期)2017-05-17 06:09:01
    兩會(huì)進(jìn)行時(shí):緊扣實(shí)體經(jīng)濟(jì)“釘釘子”
    振興實(shí)體經(jīng)濟(jì)地方如何“釘釘子”
    無意間擊中幽默的新聞標(biāo)題
    喜劇世界(2016年9期)2016-08-24 06:17:26
    主動(dòng)對(duì)接你思維的知識(shí)圖譜
    www日本在线高清视频| 婷婷成人精品国产| 最新在线观看一区二区三区 | 99国产精品免费福利视频| 蜜桃在线观看..| 丝袜脚勾引网站| 中国国产av一级| 日韩人妻精品一区2区三区| 九色亚洲精品在线播放| 亚洲国产av影院在线观看| 精品国产一区二区三区久久久樱花| 日本91视频免费播放| 老司机影院成人| 午夜久久久在线观看| 国产精品偷伦视频观看了| 在线精品无人区一区二区三| 飞空精品影院首页| 91老司机精品| 婷婷色综合大香蕉| 成人亚洲精品一区在线观看| 亚洲 国产 在线| 亚洲自偷自拍图片 自拍| 欧美黄色淫秽网站| 免费观看人在逋| 亚洲视频免费观看视频| 亚洲中文字幕日韩| 久久久精品94久久精品| 最黄视频免费看| 少妇裸体淫交视频免费看高清 | 亚洲一码二码三码区别大吗| 欧美老熟妇乱子伦牲交| 日韩制服丝袜自拍偷拍| 一区二区三区四区激情视频| 国产97色在线日韩免费| 中国美女看黄片| 两个人免费观看高清视频| 麻豆乱淫一区二区| 丁香六月欧美| 成人国语在线视频| a级毛片在线看网站| 国产精品.久久久| 国产xxxxx性猛交| 亚洲欧美激情在线| 脱女人内裤的视频| 一本色道久久久久久精品综合| 欧美在线一区亚洲| 女人被躁到高潮嗷嗷叫费观| 成人18禁高潮啪啪吃奶动态图| 国产熟女午夜一区二区三区| 欧美日韩亚洲综合一区二区三区_| 久久久精品免费免费高清| 韩国高清视频一区二区三区| av国产久精品久网站免费入址| av网站在线播放免费| 亚洲黑人精品在线| 国产欧美日韩精品亚洲av| 精品亚洲成a人片在线观看| 美女国产高潮福利片在线看| 啦啦啦视频在线资源免费观看| 亚洲精品久久久久久婷婷小说| 色94色欧美一区二区| 无遮挡黄片免费观看| 一区二区三区乱码不卡18| 精品第一国产精品| 18禁黄网站禁片午夜丰满| 91成人精品电影| 99九九在线精品视频| 免费av中文字幕在线| 久久99一区二区三区| 男人添女人高潮全过程视频| 999久久久国产精品视频| 99久久99久久久精品蜜桃| 90打野战视频偷拍视频| 亚洲精品久久午夜乱码| 日本午夜av视频| 精品国产乱码久久久久久男人| 精品一品国产午夜福利视频| 每晚都被弄得嗷嗷叫到高潮| 一边摸一边做爽爽视频免费| 精品国产国语对白av| 熟女少妇亚洲综合色aaa.| 99久久精品国产亚洲精品| 91国产中文字幕| 亚洲欧美精品自产自拍| 国产精品二区激情视频| 久久鲁丝午夜福利片| bbb黄色大片| av有码第一页| 多毛熟女@视频| 成人亚洲精品一区在线观看| 成人午夜精彩视频在线观看| 婷婷色av中文字幕| 99国产精品一区二区三区| 国产成人av激情在线播放| 日韩一卡2卡3卡4卡2021年| 一区在线观看完整版| 亚洲国产欧美一区二区综合| 女性生殖器流出的白浆| 精品人妻在线不人妻| 丝袜在线中文字幕| 天天躁日日躁夜夜躁夜夜| 高潮久久久久久久久久久不卡| 91麻豆av在线| 又粗又硬又长又爽又黄的视频| 一本—道久久a久久精品蜜桃钙片| 在线观看免费日韩欧美大片| 国产亚洲欧美在线一区二区| 新久久久久国产一级毛片| 成人国产一区最新在线观看 | 免费看av在线观看网站| 丰满少妇做爰视频| 欧美精品av麻豆av| av天堂久久9| 狂野欧美激情性xxxx| 一级毛片黄色毛片免费观看视频| 日本黄色日本黄色录像| 国产成人一区二区在线| 无遮挡黄片免费观看| 婷婷成人精品国产| 国产精品久久久久久精品电影小说| 国产成人一区二区三区免费视频网站 | av线在线观看网站| 999久久久国产精品视频| 黄色毛片三级朝国网站| 大片电影免费在线观看免费| 日本色播在线视频| 国产精品偷伦视频观看了| 母亲3免费完整高清在线观看| 久久人妻熟女aⅴ| 成人免费观看视频高清| 丝瓜视频免费看黄片| 777久久人妻少妇嫩草av网站| 最近手机中文字幕大全| 一级毛片我不卡| 午夜福利视频精品| 男女边吃奶边做爰视频| 国产一区二区三区av在线| 成年人免费黄色播放视频| 国产精品二区激情视频| 国产一区二区三区综合在线观看| 黑丝袜美女国产一区| 涩涩av久久男人的天堂| 麻豆乱淫一区二区| 国产精品久久久久成人av| 亚洲欧美日韩高清在线视频 | www.精华液| www.精华液| av网站在线播放免费| 日韩大片免费观看网站| 少妇的丰满在线观看| 久久九九热精品免费| 亚洲精品久久久久久婷婷小说| 亚洲激情五月婷婷啪啪| 99国产综合亚洲精品| 中文字幕另类日韩欧美亚洲嫩草| 亚洲精品一区蜜桃| 男女午夜视频在线观看| 中文字幕制服av| 丰满饥渴人妻一区二区三| 中文字幕亚洲精品专区| 亚洲国产毛片av蜜桃av| 在线观看www视频免费| 九色亚洲精品在线播放| 美女福利国产在线| 99久久综合免费| 免费一级毛片在线播放高清视频 | 亚洲国产欧美在线一区| 99国产精品一区二区蜜桃av | 99热国产这里只有精品6| 免费观看a级毛片全部| netflix在线观看网站| 午夜激情久久久久久久| 美女扒开内裤让男人捅视频| 欧美国产精品一级二级三级| 亚洲天堂av无毛| 成人黄色视频免费在线看| 波多野结衣一区麻豆| 十八禁人妻一区二区| 久久精品国产亚洲av涩爱| 好男人电影高清在线观看| 亚洲精品国产区一区二| 好男人电影高清在线观看| 国产淫语在线视频| 国产av一区二区精品久久| 蜜桃在线观看..| 午夜福利,免费看| 精品人妻一区二区三区麻豆| 中文字幕制服av| 一级a爱视频在线免费观看| 一二三四在线观看免费中文在| 精品一区二区三区av网在线观看 | 一二三四在线观看免费中文在| 免费观看a级毛片全部| 欧美人与善性xxx| 90打野战视频偷拍视频| 日韩视频在线欧美| 涩涩av久久男人的天堂| 精品亚洲成a人片在线观看| 亚洲 国产 在线| 国产精品麻豆人妻色哟哟久久| 亚洲精品久久成人aⅴ小说| 欧美人与善性xxx| 免费在线观看完整版高清| 久久久国产精品麻豆| 亚洲视频免费观看视频| 欧美97在线视频| 国产精品二区激情视频| 精品久久久久久久毛片微露脸 | 欧美成人午夜精品| 久久人人爽人人片av| 天天影视国产精品| 你懂的网址亚洲精品在线观看| 免费不卡黄色视频| 真人做人爱边吃奶动态| 欧美日韩亚洲高清精品| 国产一卡二卡三卡精品| 美女午夜性视频免费| 蜜桃在线观看..| 在线观看一区二区三区激情| 日本五十路高清| 亚洲精品国产一区二区精华液| 最新在线观看一区二区三区 | 国产麻豆69| 成人影院久久| 国产精品欧美亚洲77777| 中文字幕av电影在线播放| www日本在线高清视频| 热re99久久精品国产66热6| 久久久国产欧美日韩av| 波多野结衣av一区二区av| 午夜福利一区二区在线看| 久久毛片免费看一区二区三区| 亚洲人成77777在线视频| 一区二区三区精品91| 性少妇av在线| 免费久久久久久久精品成人欧美视频| 亚洲欧洲精品一区二区精品久久久| 久久国产精品人妻蜜桃| 黄色怎么调成土黄色| 日韩免费高清中文字幕av| 一边摸一边抽搐一进一出视频| 热99国产精品久久久久久7| 亚洲成人手机| 咕卡用的链子| 日日爽夜夜爽网站| 好男人视频免费观看在线| 欧美精品啪啪一区二区三区 | 日本vs欧美在线观看视频| 成年女人毛片免费观看观看9 | 精品少妇一区二区三区视频日本电影| 激情视频va一区二区三区| 18禁观看日本| 亚洲欧美色中文字幕在线| 国产一卡二卡三卡精品| 亚洲国产日韩一区二区| www.999成人在线观看| 国产精品av久久久久免费| 成年美女黄网站色视频大全免费| 中文字幕另类日韩欧美亚洲嫩草| 90打野战视频偷拍视频| 国产一区二区激情短视频 | 欧美性长视频在线观看| 婷婷色综合www| www日本在线高清视频| 亚洲午夜精品一区,二区,三区| 久久青草综合色| 黄色毛片三级朝国网站| 久久精品国产综合久久久| 中文字幕精品免费在线观看视频| 人妻人人澡人人爽人人| 夜夜骑夜夜射夜夜干| 热99国产精品久久久久久7| 国产老妇伦熟女老妇高清| 下体分泌物呈黄色| 国产日韩欧美视频二区| 日韩制服丝袜自拍偷拍| 一个人免费看片子| 午夜影院在线不卡| av欧美777| 欧美黄色片欧美黄色片| 欧美激情高清一区二区三区| 国产成人精品久久久久久| 人成视频在线观看免费观看| 久久免费观看电影| 香蕉国产在线看| 国产成人欧美在线观看 | 国产淫语在线视频| 午夜福利一区二区在线看| 91精品三级在线观看| 香蕉丝袜av| 男的添女的下面高潮视频| 亚洲,一卡二卡三卡| 亚洲 欧美一区二区三区| 99国产精品99久久久久| 91九色精品人成在线观看| 色婷婷久久久亚洲欧美| 一级黄色大片毛片| 蜜桃国产av成人99| 亚洲专区中文字幕在线| 男女午夜视频在线观看| 日韩 欧美 亚洲 中文字幕| 久久久欧美国产精品| 十八禁网站网址无遮挡| 国产亚洲欧美在线一区二区| 中文字幕另类日韩欧美亚洲嫩草| 最近最新中文字幕大全免费视频 | 久久久久久久久免费视频了| 成人国语在线视频| www.精华液| 亚洲欧美日韩高清在线视频 | 国产免费一区二区三区四区乱码| 欧美乱码精品一区二区三区| 我要看黄色一级片免费的| 一二三四在线观看免费中文在| 又紧又爽又黄一区二区| netflix在线观看网站| 国产精品久久久久久精品电影小说| 国产亚洲av高清不卡| www.自偷自拍.com| 久久精品人人爽人人爽视色| 麻豆av在线久日| 成人三级做爰电影| 欧美日韩国产mv在线观看视频| 丝瓜视频免费看黄片| 欧美激情极品国产一区二区三区| 男女下面插进去视频免费观看| 免费不卡黄色视频| 黄色a级毛片大全视频| 国产视频一区二区在线看| 亚洲精品美女久久久久99蜜臀 | 欧美另类一区| 9热在线视频观看99| 久久国产精品男人的天堂亚洲| 国产福利在线免费观看视频| 欧美成狂野欧美在线观看| 99热国产这里只有精品6| 可以免费在线观看a视频的电影网站| 国产精品一区二区免费欧美 | www.精华液| 久久精品亚洲熟妇少妇任你| 欧美日韩亚洲高清精品| 国产免费又黄又爽又色| 99国产综合亚洲精品| 国产欧美日韩综合在线一区二区| www.精华液| 国产高清国产精品国产三级| 最近手机中文字幕大全| 婷婷成人精品国产| 精品一品国产午夜福利视频| 国产免费现黄频在线看| 这个男人来自地球电影免费观看| 一本色道久久久久久精品综合| 精品一区二区三区av网在线观看 | 欧美日韩精品网址| 久久久精品免费免费高清| 乱人伦中国视频| 亚洲人成网站在线观看播放| 性高湖久久久久久久久免费观看| 日韩熟女老妇一区二区性免费视频| 国产免费现黄频在线看| 80岁老熟妇乱子伦牲交| 欧美变态另类bdsm刘玥| av视频免费观看在线观看| 久久毛片免费看一区二区三区| 精品一区二区三卡| 午夜精品国产一区二区电影| 婷婷色av中文字幕| 自线自在国产av| 欧美97在线视频| 久久毛片免费看一区二区三区| 欧美97在线视频| 国产又爽黄色视频| 波多野结衣av一区二区av| 国产日韩欧美亚洲二区| 午夜视频精品福利| 欧美成人精品欧美一级黄| 91麻豆精品激情在线观看国产 | 老熟女久久久| 日本黄色日本黄色录像| 亚洲av日韩在线播放| 国产国语露脸激情在线看| 久久午夜综合久久蜜桃| 夜夜骑夜夜射夜夜干| 国产在线一区二区三区精| 精品国产乱码久久久久久男人| 日韩av免费高清视频| 国产精品99久久99久久久不卡| 国产精品欧美亚洲77777| 一边摸一边做爽爽视频免费| 亚洲欧美一区二区三区黑人| 日韩 欧美 亚洲 中文字幕| 考比视频在线观看| 亚洲国产欧美一区二区综合| 国产亚洲午夜精品一区二区久久| 在现免费观看毛片| 日韩视频在线欧美| cao死你这个sao货| 国产成人啪精品午夜网站| 欧美精品亚洲一区二区| 成人午夜精彩视频在线观看| 国产精品 国内视频| 亚洲精品自拍成人| 欧美大码av| 亚洲精品国产区一区二| 捣出白浆h1v1| 国产极品粉嫩免费观看在线| 99久久综合免费| 国产野战对白在线观看| 性色av乱码一区二区三区2| 777米奇影视久久| 水蜜桃什么品种好| 国产欧美日韩一区二区三 | 久久久久久人人人人人| 成年人免费黄色播放视频| 国产成人av教育| 一区二区三区乱码不卡18| 亚洲国产毛片av蜜桃av| 亚洲一码二码三码区别大吗| 国产成人啪精品午夜网站| 久久人人爽人人片av| 欧美黑人欧美精品刺激| 中文字幕人妻熟女乱码| 大片免费播放器 马上看| 在线观看人妻少妇| cao死你这个sao货| av一本久久久久| 国产精品久久久久久精品古装| 19禁男女啪啪无遮挡网站| 精品久久久久久电影网| 最近手机中文字幕大全| 精品国产一区二区三区四区第35| 美女大奶头黄色视频| 欧美久久黑人一区二区| 久久久久久人人人人人| 国产男女超爽视频在线观看| 国产精品人妻久久久影院| 国产黄色视频一区二区在线观看| 久久av网站| 亚洲欧美成人综合另类久久久| 午夜福利影视在线免费观看| 日韩电影二区| 只有这里有精品99| 啦啦啦视频在线资源免费观看| 国产片特级美女逼逼视频| 久久久久久免费高清国产稀缺| 天天躁狠狠躁夜夜躁狠狠躁| 精品少妇黑人巨大在线播放| 久久99一区二区三区| 女警被强在线播放| 欧美少妇被猛烈插入视频| 国产免费一区二区三区四区乱码| 精品少妇一区二区三区视频日本电影| 日本五十路高清| 久久精品国产亚洲av涩爱| 欧美在线一区亚洲| 七月丁香在线播放| av在线播放精品| 日韩一区二区三区影片| 在线观看一区二区三区激情| 国产三级黄色录像| 大香蕉久久成人网| 美女扒开内裤让男人捅视频| 国产成人精品久久二区二区免费| 国产亚洲av片在线观看秒播厂| 1024视频免费在线观看| 免费一级毛片在线播放高清视频 | 日韩视频在线欧美| 亚洲色图 男人天堂 中文字幕| 91九色精品人成在线观看| av视频免费观看在线观看| 欧美日韩一级在线毛片| 色婷婷久久久亚洲欧美| 99re6热这里在线精品视频| 日韩大片免费观看网站| 一边摸一边做爽爽视频免费| 90打野战视频偷拍视频| √禁漫天堂资源中文www| 午夜精品国产一区二区电影| 国产福利在线免费观看视频| 高潮久久久久久久久久久不卡| 午夜福利视频在线观看免费| 一区二区三区精品91| 国产在视频线精品| 免费看不卡的av| 操美女的视频在线观看| 亚洲精品成人av观看孕妇| 亚洲av电影在线进入| 激情五月婷婷亚洲| 精品亚洲乱码少妇综合久久| 最新的欧美精品一区二区| 久久精品国产综合久久久| 国产不卡av网站在线观看| 免费不卡黄色视频| 国产精品一二三区在线看| 国产熟女欧美一区二区| 91老司机精品| 国产免费又黄又爽又色| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲国产精品成人久久小说| 国产一区二区激情短视频 | 日韩精品免费视频一区二区三区| 欧美人与性动交α欧美精品济南到| 女性被躁到高潮视频| 黄色视频不卡| 黑人猛操日本美女一级片| 99久久人妻综合| 国产成人影院久久av| 我要看黄色一级片免费的| 国产在线视频一区二区| www.精华液| 午夜免费成人在线视频| 亚洲五月婷婷丁香| 老司机影院成人| 看十八女毛片水多多多| 伦理电影免费视频| 一个人免费看片子| 欧美日韩一级在线毛片| 亚洲专区国产一区二区| 最近中文字幕2019免费版| 久久人人爽av亚洲精品天堂| 国产xxxxx性猛交| 亚洲av成人精品一二三区| 亚洲三区欧美一区| 大话2 男鬼变身卡| 午夜日韩欧美国产| 亚洲男人天堂网一区| 久久久国产一区二区| 亚洲av在线观看美女高潮| 亚洲美女黄色视频免费看| 亚洲国产精品成人久久小说| 天天添夜夜摸| av国产精品久久久久影院| 亚洲视频免费观看视频| 大码成人一级视频| 亚洲av在线观看美女高潮| 后天国语完整版免费观看| 亚洲欧美精品综合一区二区三区| 欧美激情高清一区二区三区| 啦啦啦中文免费视频观看日本| 另类亚洲欧美激情| 婷婷丁香在线五月| 十八禁高潮呻吟视频| 免费高清在线观看视频在线观看| 欧美国产精品va在线观看不卡| 午夜福利免费观看在线| 黄色怎么调成土黄色| 另类亚洲欧美激情| 久久久国产一区二区| 国产亚洲av片在线观看秒播厂| 日本一区二区免费在线视频| 日韩中文字幕欧美一区二区 | 亚洲国产欧美网| 精品一区二区三卡| 女警被强在线播放| 国产精品久久久久久精品古装| 男女边摸边吃奶| 国产老妇伦熟女老妇高清| 久久中文字幕一级| 精品少妇内射三级| 成年人免费黄色播放视频| 黑人欧美特级aaaaaa片| 另类亚洲欧美激情| 国产亚洲午夜精品一区二区久久| 两个人免费观看高清视频| 黑人猛操日本美女一级片| 精品视频人人做人人爽| 亚洲欧洲精品一区二区精品久久久| 亚洲国产日韩一区二区| 我的亚洲天堂| 久久久国产精品麻豆| 超碰成人久久| 99国产精品一区二区蜜桃av | 9191精品国产免费久久| 人人妻人人澡人人爽人人夜夜| 午夜福利视频精品| 夫妻性生交免费视频一级片| 亚洲成人手机| 夫妻性生交免费视频一级片| 亚洲欧美一区二区三区久久| 久久国产精品大桥未久av| 一本久久精品| 在线看a的网站| 曰老女人黄片| 亚洲精品自拍成人| 亚洲国产最新在线播放| 赤兔流量卡办理| 中国国产av一级| 深夜精品福利| 高清不卡的av网站| 久久女婷五月综合色啪小说| 欧美日韩国产mv在线观看视频| 亚洲九九香蕉| 欧美精品啪啪一区二区三区 | 国产一卡二卡三卡精品| 精品少妇久久久久久888优播| 性高湖久久久久久久久免费观看| 一本久久精品| 一区二区av电影网| 好男人电影高清在线观看| 久久久精品国产亚洲av高清涩受| 精品人妻1区二区| 狂野欧美激情性xxxx| 成年动漫av网址| 国产高清videossex| 国产成人一区二区在线| 亚洲 欧美一区二区三区| 亚洲成色77777| 欧美 亚洲 国产 日韩一| av网站免费在线观看视频| 一边摸一边做爽爽视频免费| 欧美日韩视频精品一区| 嫩草影视91久久| 可以免费在线观看a视频的电影网站| 男女无遮挡免费网站观看| 国产高清videossex|