###### tags: Paper Reading
# **Neural News Recommendation with Long- and Short-term User Representations**
## 大綱
       此篇論文的題目為Neural News Recommendation with Long- and Short-term User Representations，簡單來說就是提出了一個新的新聞推薦系統模型。
## 論文出處
ACL 2019
## 引言/動機
       由於現在資訊的發達，每天會產生出大量的新聞於網路上。這數量已經多到用戶不可能將所有的新聞全部閱讀一遍。所以對於擁有廣大使用者的新聞網來說，如何產生一個個性化的新聞推薦是相當重要的。
## 相關WROK
       接著先他反思了之前的作法。以往使用推薦系統所使用的是將使用者(ID)的文章瀏覽紀錄輸入至GRU(RNN)中，希望藉此來學習出該ID之特徵。但由於使用者的瀏覽紀錄會增長，這使得RNN很難學習到較長時間的特徵。而文中另外提到的knowledge-aware CNN由於需要使用到每個ID所有的瀏覽歷史，這將使得儲存以及反應速度會有相當大的挑戰。
## 觀察與創新點
       然後他提出了自己的觀察，作者覺得，給使用者推薦的新聞必須分成長期興趣以及短期興趣。長期興趣指的是使用者長年以來所一直所關注的新聞，以本文的例子來說，若使用者是NBA某球隊的支持者，那他可能更傾向於收到NBA相關的新聞。而短期興趣是指，用戶可能看完某個電影，因為很喜歡該電影而去查了其出演明星的相關訊息，但該用戶可能不會一輩子都想看有關該明星的消息。也就是說，如果我們對同一個ID我們能夠找出長期興趣以及短期興趣的表示法，對於整體的學習會有相當大的助益，而對於個性化推薦系統也是相當的重要。
## 模型相關
### 第一部分 News Encoder:

       首先將一篇新聞做過”斷詞”之後對詞陣列進行”WORD EMBEDDING”(此時一篇文章變成了2維平面的樣子，其大小為文章字數*len(embedding))，並將得到的向量陣列用CNN掃過之後會產生N個特徵向量，並用ATTENTION的技術，算出N個向量彼此間的重要程度之後，將N個向量合併，得到新聞的特徵向量ei。
       與上面步驟同步，將文章標題以及副標分別丟入一個EMBEDDING，得到兩個向量ev、ew，最後將ei、ev、ew合併成會最後的新聞特徵向量。
### 第二部分 User Representations and combine:
#### Long-Term:
       單純將ID丟入一個encoder，得出長期興趣特徵向量。
#### Short-Term:
       將該id瀏覽過的新聞，丟入News Encoder後，再依序丟入RNN當中藉此得到短期興趣特徵向量。
#### Combine
       最後將上述的幾個部份合併在一起，變成為了此篇文章的模型，詳情請翻閱section 3。在訓練的時候，由於我們不能假設所有的使用者都有瀏覽資料，也就是說不是沒個使用者都有長期特徵，所以在訓練的時候，作者會隨機mask掉一些長期特徵來做實驗。

## 實驗
       此部分講述了他如何收集資料以及各項實驗的作法，透過實驗希望證明他所提出的模型中的各個部分是有用的。請直接參閱section4

## 結語
       總結一下這篇，此篇文章文筆挺通順的，創新性蠻普通的，整體實驗蠻完整的。主要我比較有疑問的點是mask的效能，文中提到mask的機率為0.5，並且透過mask能夠大大的增加效能。但我們並不知道他所收集的資料集當中，沒有長期興趣的使用者是多少。換句話說，若該新聞推薦系統，大多數的人都有長期興趣的話，mask顯然是不需要，那下一個問題就會是，長期特徵真的有幫助我們模型的增長嗎?