Publication
CCL 2026基于提示驱动编码的隐式观点感知个性化新闻推荐方法
Youlin Wu, Ziyi Wei, Xiaokun Zhang, Bo Xu, Liang Yang, Yuanyuan Sun, Hongfei Lin
Abstract
新闻推荐旨在向用户提供符合其兴趣与信息需求的个性化媒体内容。然而，用户对新闻报道的感知具有内在主观性：同一篇报道在不同观点和视角下往往会产生不同解读。因此，用户在线浏览时选择阅读某条新闻，不仅取决于新闻所报道的事件本身，也取决于其所传达的观点能否与用户既有认知和立场形成共鸣。由于用户通常不会显式反馈自身观点偏好，现有推荐模型对用户在新闻报道上的潜在观点差异关注不足，主要仍依赖文章的表层语义建模用户兴趣。基于这一观察，本文提出一种隐式观点感知的个性化新闻推荐方法VAP。该方法首先利用提示驱动的大语言模型编码构造新闻的核心语义锚点，再通过混合观点专家模块MOVE将基础语义分解并映射至多个观点隐空间，从而为每篇新闻报道构建多个隐性观点表示原型。考虑到不同观点通常体现为对新闻事件多个要素的选择性强调与权衡，MOVE采用门控线性单元作为观点专家，以动态过滤和平衡不同语义侧面。随后，VAP通过注意力机制挖掘用户浏览历史中对文章及其关联观点的阅读兴趣，从而在无显式观点标签的条件下建模用户的观点一致性偏好，实现更准确的新闻推荐。此外，本文以大模型的下一词元预测任务作为探针，验证了MOVE具备隐性观点建模能力。在两个真实世界数据集上的大量实验表明VAP能够达到当前最优的推荐性能。
Poster
