Intérêts panoramiques : Génération de titres personnalisés sensibles au style et au contenu

Panoramic Interests: Stylistic-Content Aware Personalized Headline Generation

January 21, 2025

Auteurs: Junhong Lian, Xiang Ao, Xinyu Liu, Yang Liu, Qing He

cs.AI

Résumé

La génération de titres d'actualités personnalisés vise à fournir aux utilisateurs des titres accrocheurs adaptés à leurs préférences. Les méthodes actuelles se concentrent sur les préférences de contenu des utilisateurs, mais la plupart d'entre elles négligent le fait que des préférences stylistiques diverses sont essentielles aux intérêts panoramiques des utilisateurs, ce qui conduit à une personnalisation sous-optimale. Dans ce contexte, nous proposons un nouveau cadre de génération de titres personnalisés conscient du style et du contenu (SCAPE). SCAPE extrait à la fois les caractéristiques du contenu et du style des titres à l'aide d'une collaboration de grands modèles linguistiques (LLM). Il intègre en outre de manière adaptative les intérêts à long et à court terme des utilisateurs grâce à un réseau de fusion hiérarchique basé sur l'apprentissage contrastif. En incorporant les intérêts panoramiques dans le générateur de titres, SCAPE reflète les préférences de style et de contenu des utilisateurs pendant le processus de génération. Des expériences approfondies sur l'ensemble de données du monde réel PENS démontrent la supériorité de SCAPE par rapport aux méthodes de référence.

English

Personalized news headline generation aims to provide users with attention-grabbing headlines that are tailored to their preferences. Prevailing methods focus on user-oriented content preferences, but most of them overlook the fact that diverse stylistic preferences are integral to users' panoramic interests, leading to suboptimal personalization. In view of this, we propose a novel Stylistic-Content Aware Personalized Headline Generation (SCAPE) framework. SCAPE extracts both content and stylistic features from headlines with the aid of large language model (LLM) collaboration. It further adaptively integrates users' long- and short-term interests through a contrastive learning-based hierarchical fusion network. By incorporating the panoramic interests into the headline generator, SCAPE reflects users' stylistic-content preferences during the generation process. Extensive experiments on the real-world dataset PENS demonstrate the superiority of SCAPE over baselines.