Interesses Panorâmicos: Geração de Manchetes Personalizadas Conscientes do Estilo e Conteúdo

Panoramic Interests: Stylistic-Content Aware Personalized Headline Generation

January 21, 2025

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

cs.AI

Resumo

A geração de manchetes de notícias personalizadas tem como objetivo fornecer aos usuários manchetes atrativas que são adaptadas às suas preferências. Os métodos predominantes focam nas preferências de conteúdo orientadas pelo usuário, mas a maioria deles negligencia o fato de que preferências estilísticas diversas são essenciais para os interesses panorâmicos dos usuários, levando a uma personalização subótima. Diante disso, propomos um novo framework de Geração de Manchetes Personalizadas Consciente de Estilo-Conteúdo (SCAPE). SCAPE extrai tanto características de conteúdo quanto estilísticas das manchetes com auxílio da colaboração de modelos de linguagem grandes (LLM). Ele integra de forma adaptativa os interesses de longo e curto prazo dos usuários por meio de uma rede de fusão hierárquica baseada em aprendizado contrastivo. Ao incorporar os interesses panorâmicos no gerador de manchetes, SCAPE reflete as preferências de estilo-conteúdo dos usuários durante o processo de geração. Experimentos extensivos no conjunto de dados do mundo real PENS demonstram a superioridade do SCAPE em relação às bases.

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.