Interessi Panoramici: Generazione di Titoli Personalizzati Consapevoli dello Stile e del Contenuto

Panoramic Interests: Stylistic-Content Aware Personalized Headline Generation

January 21, 2025

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

cs.AI

Abstract

La generazione personalizzata di titoli di notizie mira a fornire agli utenti titoli accattivanti adattati alle loro preferenze. I metodi prevalenti si concentrano sulle preferenze dei contenuti orientate agli utenti, ma la maggior parte di essi trascura il fatto che diverse preferenze stilistiche siano fondamentali per gli interessi panoramici degli utenti, portando a una personalizzazione non ottimale. In considerazione di ciò, proponiamo un nuovo framework di Generazione Personalizzata di Titoli Consapevole dello Stile-Contenuto (SCAPE). SCAPE estrae sia le caratteristiche dei contenuti che stilistiche dai titoli con l'aiuto della collaborazione di un grande modello di linguaggio (LLM). Integra inoltre in modo adattivo gli interessi a lungo e a breve termine degli utenti attraverso una rete di fusione gerarchica basata sull'apprendimento contrastivo. Integrando gli interessi panoramici nel generatore di titoli, SCAPE riflette le preferenze stilistiche-contenuto degli utenti durante il processo di generazione. Estesi esperimenti sul dataset del mondo reale PENS dimostrano la superiorità di SCAPE rispetto alle baselines.

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.