Панорамные интересы: генерация персонализированных заголовков с учетом стиля и содержания.

Panoramic Interests: Stylistic-Content Aware Personalized Headline Generation

January 21, 2025

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

cs.AI

Аннотация

Генерация персонализированных заголовков новостей направлена на предоставление пользователям привлекательных заголовков, адаптированных к их предпочтениям. Существующие методы сосредотачиваются на предпочтениях пользователей в контенте, но большинство из них не учитывают тот факт, что разнообразные стилистические предпочтения являются неотъемлемой частью панорамных интересов пользователей, что приводит к недостаточной персонализации. В этой связи мы предлагаем новую концепцию фреймворка Stylistic-Content Aware Personalized Headline Generation (SCAPE). SCAPE извлекает как контентные, так и стилистические особенности из заголовков с помощью сотрудничества с крупной языковой моделью (LLM). Он дополнительно адаптивно интегрирует долгосрочные и краткосрочные интересы пользователей через иерархическую сеть слияния на основе контрастного обучения. Включая панорамные интересы в генератор заголовков, SCAPE отражает предпочтения пользователей в стиле и контенте во время процесса генерации. Обширные эксперименты на реальном наборе данных PENS демонстрируют превосходство SCAPE над базовыми моделями.

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.