• <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
    国产精品98久久久久久宅男小说| 亚洲国产欧洲综合997久久,| 亚洲欧美一区二区三区黑人| 欧美丝袜亚洲另类 | 欧美zozozo另类| 午夜激情福利司机影院| 午夜精品一区二区三区免费看| 亚洲国产精品合色在线| 美女大奶头视频| 90打野战视频偷拍视频| 成人性生交大片免费视频hd| 精品一区二区三区av网在线观看| 国产黄片美女视频| 久久这里只有精品中国| 天天躁日日操中文字幕| 婷婷丁香在线五月| 色老头精品视频在线观看| 久久精品人妻少妇| 麻豆国产97在线/欧美| 欧美乱妇无乱码| 欧美日韩亚洲国产一区二区在线观看| 手机成人av网站| 欧美av亚洲av综合av国产av| 91在线精品国自产拍蜜月 | 亚洲午夜理论影院| 免费看a级黄色片| 亚洲国产欧美人成| 真人一进一出gif抽搐免费| 黄色丝袜av网址大全| 国产精品一区二区三区四区免费观看 | 国产视频一区二区在线看| 亚洲成人中文字幕在线播放| 最近最新中文字幕大全免费视频| 少妇的丰满在线观看| 中文资源天堂在线| 搡老岳熟女国产| 淫秽高清视频在线观看| 精品熟女少妇八av免费久了| 久久久久久久久中文| 午夜视频精品福利| 亚洲熟妇熟女久久| 中文字幕精品亚洲无线码一区| 可以在线观看毛片的网站| 色哟哟哟哟哟哟| 久久中文看片网| 免费看十八禁软件| 色尼玛亚洲综合影院| 成年版毛片免费区| 日韩欧美三级三区| 国产真实乱freesex| 亚洲在线观看片| 中文亚洲av片在线观看爽| 99久久精品热视频| 黄片大片在线免费观看| 成人欧美大片| 欧美日本亚洲视频在线播放| 俄罗斯特黄特色一大片| aaaaa片日本免费| 亚洲中文日韩欧美视频| 少妇人妻一区二区三区视频| 欧美黑人巨大hd| 蜜桃久久精品国产亚洲av| 曰老女人黄片| 18禁国产床啪视频网站| 性色avwww在线观看| 国产精品永久免费网站| 午夜福利在线观看免费完整高清在 | 国产精品99久久99久久久不卡| 国产精品香港三级国产av潘金莲| 一本久久中文字幕| 一级毛片精品| 日韩成人在线观看一区二区三区| 夜夜爽天天搞| 国产在线精品亚洲第一网站| 97碰自拍视频| 亚洲欧美一区二区三区黑人| 久久午夜综合久久蜜桃| ponron亚洲| 国产黄a三级三级三级人| 久9热在线精品视频| 免费观看精品视频网站| 大型黄色视频在线免费观看| 免费观看人在逋| 久久久国产成人精品二区| 亚洲专区字幕在线| 一进一出好大好爽视频| 高清毛片免费观看视频网站| 精品一区二区三区av网在线观看| 91字幕亚洲| 九九热线精品视视频播放| 女警被强在线播放| 在线十欧美十亚洲十日本专区| 国产一区在线观看成人免费| 男插女下体视频免费在线播放| 九色国产91popny在线| 全区人妻精品视频| 亚洲av日韩精品久久久久久密| 99久久国产精品久久久| 欧美日韩国产亚洲二区| 午夜影院日韩av| 亚洲精品中文字幕一二三四区| 亚洲欧美精品综合久久99| 色老头精品视频在线观看| cao死你这个sao货| 日韩欧美在线二视频| av天堂中文字幕网| 长腿黑丝高跟| 国产成人欧美在线观看| 夜夜看夜夜爽夜夜摸| 国产高清视频在线观看网站| 99精品久久久久人妻精品| 精品久久久久久久人妻蜜臀av| 欧美+亚洲+日韩+国产| 舔av片在线| 久久精品国产99精品国产亚洲性色| 国产精品乱码一区二三区的特点| 国产91精品成人一区二区三区| 免费观看的影片在线观看| 免费在线观看日本一区| 日本与韩国留学比较| 男女之事视频高清在线观看| 国产 一区 欧美 日韩| 黄色 视频免费看| 成人特级av手机在线观看| 国产日本99.免费观看| 一个人看视频在线观看www免费 | 禁无遮挡网站| 国产伦精品一区二区三区四那| 午夜福利在线在线| 亚洲七黄色美女视频| 欧美成人免费av一区二区三区| 国产毛片a区久久久久| 久久婷婷人人爽人人干人人爱| 丝袜人妻中文字幕| 国产成人av激情在线播放| 成人av一区二区三区在线看| 国产伦人伦偷精品视频| 黑人欧美特级aaaaaa片| 国产野战对白在线观看| 日本免费a在线| 色av中文字幕| 麻豆久久精品国产亚洲av| 90打野战视频偷拍视频| 国产av一区在线观看免费| 精品一区二区三区视频在线观看免费| 亚洲九九香蕉| 成人亚洲精品av一区二区| 国产视频一区二区在线看| 99在线人妻在线中文字幕| av片东京热男人的天堂| 曰老女人黄片| 久久久久久久午夜电影| 日韩欧美在线二视频| 国产99白浆流出| 90打野战视频偷拍视频| 日韩欧美国产在线观看| 日本与韩国留学比较| 男女视频在线观看网站免费| 少妇的逼水好多| 国产成人系列免费观看| 日本一二三区视频观看| 国产精品亚洲美女久久久| 少妇丰满av| 黄片大片在线免费观看| 日本熟妇午夜| 九色成人免费人妻av| av片东京热男人的天堂| 国产午夜福利久久久久久| 淫秽高清视频在线观看| 精品99又大又爽又粗少妇毛片 | 午夜精品久久久久久毛片777| 人人妻人人看人人澡| 巨乳人妻的诱惑在线观看| 成人无遮挡网站| 日日夜夜操网爽| 久久国产乱子伦精品免费另类| 国产精品 国内视频| 人妻丰满熟妇av一区二区三区| 亚洲精品一区av在线观看| av视频在线观看入口| 两个人看的免费小视频| 国产成人系列免费观看| 国产一区二区激情短视频| 免费看十八禁软件| 好看av亚洲va欧美ⅴa在| 国产高清激情床上av| 精品欧美国产一区二区三| 色综合婷婷激情| 色在线成人网| 欧美成狂野欧美在线观看| 中文资源天堂在线| 黄片小视频在线播放| 亚洲欧美激情综合另类| 国产午夜福利久久久久久| 俄罗斯特黄特色一大片| 脱女人内裤的视频| 男女下面进入的视频免费午夜| 欧美成狂野欧美在线观看| 好看av亚洲va欧美ⅴa在| 午夜免费观看网址| 国产69精品久久久久777片 | 夜夜夜夜夜久久久久| 黄色成人免费大全| 制服丝袜大香蕉在线| 国产精品一区二区免费欧美| 国产精品香港三级国产av潘金莲| 久久久久性生活片| 国产视频一区二区在线看| 最近视频中文字幕2019在线8| 亚洲精品乱码久久久v下载方式 | 91av网站免费观看| 啦啦啦韩国在线观看视频| 美女免费视频网站| 国产精品美女特级片免费视频播放器 | 国产一区二区激情短视频| 亚洲av电影不卡..在线观看| 久久久久久九九精品二区国产| 91久久精品国产一区二区成人 | 少妇熟女aⅴ在线视频| 长腿黑丝高跟| 最新美女视频免费是黄的| 男女午夜视频在线观看| 欧美日韩一级在线毛片| 亚洲成人免费电影在线观看| 亚洲七黄色美女视频| 99热精品在线国产| 丰满人妻一区二区三区视频av | 精品久久久久久久久久久久久| 97碰自拍视频| 精品一区二区三区视频在线 | 亚洲美女视频黄频| 欧美黄色淫秽网站| 男人舔奶头视频| 最近最新免费中文字幕在线| 特级一级黄色大片| 亚洲av电影在线进入| 午夜久久久久精精品| av中文乱码字幕在线| 国产亚洲av嫩草精品影院| 啦啦啦免费观看视频1| 日本一二三区视频观看| 亚洲精品一卡2卡三卡4卡5卡| 成人特级av手机在线观看| 国产人伦9x9x在线观看| 亚洲片人在线观看| 亚洲精品456在线播放app | 欧美中文日本在线观看视频| 我的老师免费观看完整版| 国产成人精品无人区| 可以在线观看毛片的网站| 久久久成人免费电影| 夜夜夜夜夜久久久久| 国产一区二区三区视频了| 欧美在线一区亚洲| 免费看光身美女| 亚洲中文av在线| 丰满人妻熟妇乱又伦精品不卡| 国产男靠女视频免费网站| 男插女下体视频免费在线播放| 99国产精品一区二区三区| 老汉色av国产亚洲站长工具| 国产高清三级在线| 少妇丰满av| 老司机午夜十八禁免费视频| 久久久久久九九精品二区国产| 精品久久久久久久末码| 国产精品99久久久久久久久| 欧美性猛交黑人性爽| 亚洲天堂国产精品一区在线| 欧美在线黄色| 国产69精品久久久久777片 | 成人18禁在线播放| 色噜噜av男人的天堂激情| 亚洲人成伊人成综合网2020| 午夜视频精品福利| 亚洲av成人一区二区三| 久久久成人免费电影| 少妇的丰满在线观看| 久久精品人妻少妇| 国产伦精品一区二区三区四那| 国产精品久久久久久精品电影| 狂野欧美激情性xxxx| 久久久久久九九精品二区国产| 日韩高清综合在线| 一个人看的www免费观看视频| av在线天堂中文字幕| 夜夜躁狠狠躁天天躁| 男女做爰动态图高潮gif福利片| 国产97色在线日韩免费| av中文乱码字幕在线| 精品一区二区三区视频在线 | 国产私拍福利视频在线观看| 欧洲精品卡2卡3卡4卡5卡区| 午夜a级毛片| 欧美3d第一页| 日本与韩国留学比较| 成人性生交大片免费视频hd| 99久久久亚洲精品蜜臀av| a在线观看视频网站| 在线十欧美十亚洲十日本专区| 久久久精品欧美日韩精品| 99精品在免费线老司机午夜| www.999成人在线观看| 亚洲第一电影网av| 在线永久观看黄色视频| www.熟女人妻精品国产| 精品国产三级普通话版| 人妻久久中文字幕网| 日本五十路高清| 操出白浆在线播放| 亚洲专区中文字幕在线| 国产成人aa在线观看| 精品国产超薄肉色丝袜足j| a级毛片在线看网站| 特级一级黄色大片| 黄频高清免费视频| 亚洲专区字幕在线| 一个人免费在线观看电影 | 亚洲国产精品成人综合色| 久久久久免费精品人妻一区二区| 俄罗斯特黄特色一大片| 国产亚洲精品一区二区www| 琪琪午夜伦伦电影理论片6080| 91老司机精品| 岛国视频午夜一区免费看| 久久久久精品国产欧美久久久| 国产精品香港三级国产av潘金莲| 99热这里只有精品一区 | 热99re8久久精品国产| 国产一级毛片七仙女欲春2| 麻豆av在线久日| 免费无遮挡裸体视频| 日日干狠狠操夜夜爽| 成人永久免费在线观看视频| 精品国产乱码久久久久久男人| 久久久久久久久中文| 女生性感内裤真人,穿戴方法视频| 天堂网av新在线| 91麻豆精品激情在线观看国产| 欧美日韩亚洲国产一区二区在线观看| 国产精品香港三级国产av潘金莲| 欧美中文综合在线视频| 日本 av在线| 欧美另类亚洲清纯唯美| 国产主播在线观看一区二区| 国产精品久久电影中文字幕| 热99在线观看视频| 日本三级黄在线观看| 美女午夜性视频免费| 免费看日本二区| 午夜影院日韩av| aaaaa片日本免费| 男人舔奶头视频| 热99re8久久精品国产| 亚洲专区中文字幕在线| 亚洲人成伊人成综合网2020| 欧美日本亚洲视频在线播放| 久久草成人影院| 亚洲国产精品999在线| 夜夜夜夜夜久久久久| av中文乱码字幕在线| 亚洲欧美激情综合另类| 村上凉子中文字幕在线| 亚洲精品456在线播放app | www.熟女人妻精品国产| 国产精品,欧美在线| 成熟少妇高潮喷水视频| 婷婷六月久久综合丁香| 国产又黄又爽又无遮挡在线| 99精品欧美一区二区三区四区| 国产高清三级在线| 一a级毛片在线观看| 午夜激情欧美在线| 久久香蕉精品热| 日本a在线网址| 久久久久性生活片| 99精品在免费线老司机午夜| 久久久成人免费电影| 久久久久国产一级毛片高清牌| 嫩草影视91久久| 国产淫片久久久久久久久 | 国产高清视频在线观看网站| 色综合欧美亚洲国产小说| 99国产极品粉嫩在线观看| 亚洲精品久久国产高清桃花| 成人欧美大片| 香蕉av资源在线| 久久草成人影院| av中文乱码字幕在线| 成人av在线播放网站| 中文亚洲av片在线观看爽| 色播亚洲综合网| 搞女人的毛片| 国产精品av久久久久免费| 成人精品一区二区免费| 久久久久久久久久黄片| 亚洲第一电影网av| 草草在线视频免费看| 久久久久国产一级毛片高清牌| 伊人久久大香线蕉亚洲五| 午夜福利视频1000在线观看| 国产精品1区2区在线观看.| 精品国产乱码久久久久久男人| 精品一区二区三区av网在线观看| av国产免费在线观看| 国产成人av教育| 在线观看免费视频日本深夜| 日本免费a在线| 看片在线看免费视频| 欧美午夜高清在线| 亚洲成a人片在线一区二区| 老熟妇仑乱视频hdxx| 男插女下体视频免费在线播放| 成年版毛片免费区| 搡老妇女老女人老熟妇| 91在线观看av| АⅤ资源中文在线天堂| 国产高清videossex| 99re在线观看精品视频| 亚洲成a人片在线一区二区| 亚洲专区中文字幕在线| 熟女人妻精品中文字幕| 精品一区二区三区视频在线观看免费| 亚洲欧美日韩卡通动漫| 亚洲国产日韩欧美精品在线观看 | www.999成人在线观看| 国产成人欧美在线观看| 国产高清视频在线播放一区| 最近最新免费中文字幕在线| 中文资源天堂在线| 长腿黑丝高跟| 高清在线国产一区| 国产精品久久久av美女十八| 99在线视频只有这里精品首页| 曰老女人黄片| 黄色视频,在线免费观看| 99热这里只有是精品50| 国内揄拍国产精品人妻在线| 亚洲成a人片在线一区二区| 国产精品综合久久久久久久免费| 99riav亚洲国产免费| 国产精品乱码一区二三区的特点| 最近最新中文字幕大全免费视频| 99视频精品全部免费 在线 | 一a级毛片在线观看| 级片在线观看| 亚洲中文av在线| 亚洲专区字幕在线| www.自偷自拍.com| 给我免费播放毛片高清在线观看| 999久久久国产精品视频| 在线看三级毛片| 巨乳人妻的诱惑在线观看| 黄色丝袜av网址大全| 波多野结衣高清作品| 国产伦精品一区二区三区四那| 久久中文字幕一级| 手机成人av网站| 免费看十八禁软件| 日本免费一区二区三区高清不卡| 成年女人毛片免费观看观看9| 久久这里只有精品中国| 免费观看精品视频网站| 日韩欧美免费精品| 亚洲精品一卡2卡三卡4卡5卡| 一本一本综合久久| av中文乱码字幕在线| 熟女少妇亚洲综合色aaa.| 国产精品一及| 国产成人精品久久二区二区免费| 日本a在线网址| 99视频精品全部免费 在线 | 国产高清激情床上av| 国产成人av激情在线播放| 久久久精品欧美日韩精品| 国产精品一区二区三区四区免费观看 | 精品欧美国产一区二区三| 亚洲精品在线观看二区| 法律面前人人平等表现在哪些方面| 亚洲,欧美精品.| 一级毛片精品| 成人午夜高清在线视频| 精品一区二区三区视频在线观看免费| xxxwww97欧美| 精品国产美女av久久久久小说| 看免费av毛片| 少妇裸体淫交视频免费看高清| 三级男女做爰猛烈吃奶摸视频| 亚洲人成电影免费在线| 中文字幕人成人乱码亚洲影| 午夜精品一区二区三区免费看| 99国产综合亚洲精品| 白带黄色成豆腐渣| 别揉我奶头~嗯~啊~动态视频| 最好的美女福利视频网| 亚洲第一电影网av| 久久久国产精品麻豆| 婷婷亚洲欧美| 国产欧美日韩一区二区精品| 午夜福利18| 国产综合懂色| 亚洲av电影在线进入| 曰老女人黄片| 久99久视频精品免费| www日本黄色视频网| 观看免费一级毛片| 国产一区二区三区在线臀色熟女| 黄色成人免费大全| 黄色片一级片一级黄色片| 中文字幕人成人乱码亚洲影| 免费观看精品视频网站| 亚洲七黄色美女视频| 午夜福利在线观看免费完整高清在 | 一个人免费在线观看的高清视频| 黄色日韩在线| 99久久国产精品久久久| 草草在线视频免费看| 国产伦精品一区二区三区四那| 国产成人精品久久二区二区91| 身体一侧抽搐| 婷婷丁香在线五月| 亚洲熟妇熟女久久| 曰老女人黄片| 18禁黄网站禁片午夜丰满| 午夜a级毛片| 一级毛片精品| 老鸭窝网址在线观看| 一进一出抽搐gif免费好疼| 91麻豆av在线| 波多野结衣高清作品| 日本熟妇午夜| 别揉我奶头~嗯~啊~动态视频| 美女午夜性视频免费| 国产探花在线观看一区二区| а√天堂www在线а√下载| 一区二区三区激情视频| 国产精品亚洲av一区麻豆| 宅男免费午夜| 无限看片的www在线观看| 男插女下体视频免费在线播放| 午夜福利18| 精品久久久久久久久久免费视频| 一夜夜www| 亚洲一区二区三区色噜噜| 亚洲精品456在线播放app | 日本熟妇午夜| 别揉我奶头~嗯~啊~动态视频| 国产又色又爽无遮挡免费看| 美女被艹到高潮喷水动态| 免费搜索国产男女视频| 此物有八面人人有两片| 欧美大码av| 少妇裸体淫交视频免费看高清| 欧美日韩黄片免| 色综合欧美亚洲国产小说| 国产黄a三级三级三级人| 免费无遮挡裸体视频| 国产成人av教育| 丰满的人妻完整版| 亚洲一区二区三区不卡视频| 成年人黄色毛片网站| 精品久久久久久,| 精品国产乱子伦一区二区三区| 日本a在线网址| 国产精品综合久久久久久久免费| 日本三级黄在线观看| 中文字幕熟女人妻在线| 久久精品91蜜桃| 欧美一级毛片孕妇| 哪里可以看免费的av片| 欧美不卡视频在线免费观看| 99热6这里只有精品| 欧美午夜高清在线| 熟妇人妻久久中文字幕3abv| 男人和女人高潮做爰伦理| 中文字幕人成人乱码亚洲影| 成人精品一区二区免费| 久久久久九九精品影院| 少妇人妻一区二区三区视频| 啦啦啦韩国在线观看视频| 国产精品 国内视频| 女人高潮潮喷娇喘18禁视频| 久久久精品大字幕| 欧美激情在线99| 欧美+亚洲+日韩+国产| 国产综合懂色| а√天堂www在线а√下载| 亚洲专区中文字幕在线| 午夜久久久久精精品| 男女之事视频高清在线观看| 18禁观看日本| 午夜久久久久精精品| 51午夜福利影视在线观看| 久久久久久人人人人人| 丰满人妻熟妇乱又伦精品不卡| 免费看美女性在线毛片视频| 身体一侧抽搐| 日本三级黄在线观看| 免费看美女性在线毛片视频| 国产高潮美女av| 国内久久婷婷六月综合欲色啪| 国产精品精品国产色婷婷| 亚洲中文字幕一区二区三区有码在线看 | 大型黄色视频在线免费观看| 欧美大码av| 欧美激情在线99| 国产av在哪里看| 脱女人内裤的视频| 中国美女看黄片| 日韩欧美精品v在线| 99精品在免费线老司机午夜| 亚洲精品久久国产高清桃花| www日本黄色视频网| 9191精品国产免费久久| 麻豆国产av国片精品|