本文主要介绍的是在基于深度学习的推荐系统中设计一个Personalized Attention结构使得深度神经网络可以有效地把握住：同一个用户对不同文章题目的关注点、同一个word在不同文章题目（或者说不同语境下）中的重要程度。基于此，文章所介绍的方法设计了news-level、word-level两种级别的Personalized Attention。

Motivation

  1. 不是所有某一用户点击的新闻，都能反映该用户的偏好；
  2. 同一篇新闻标题，不同的用户的关注程度是不同的，比如对于一篇体育报道，爱好体育的人就喜欢看，不爱好体育的人就不会感兴趣；
  3. 在一篇新闻标题中，不同的单词对于学习该新闻的表示的贡献是不同的，比如“Crazy Cleaning Tips That Actually Work”这个标题中，’Crazy’这个单词的信息量就很大，而’That’的信息量就不如’Crazy’；
  4. 在一篇新闻标题中，对于学习不同的用户的偏好，不同的单词所带来的贡献是不同的，比如“Crazy Cleaning Tips That Actually Work”这个标题，用户一可能更关注“Crazy”，而用户二可能更关注”Actually Work”这个词，因此不同的用户在看同一篇文章题目时关注点会存在差异，每个单词对不同的用户影响力是不同的；

因此，基于以上这几个原因，作者提出了他的观点：对不同用户要进行个性化的处理；对于同一个用户来说，每个单词也要进行个性化的处理。

原文：Therefore, modeling the different informativeness of words and news for different users may be useful for learning better representations of users for accurate news recommendation.

这样一来，每个用户之间是不同的，每个单词对于每个用户来说的对用户表征的影响程度也是不同的。

Approach

figure1

分为3个部分：News Encoder、User Encoder、Click Predictor。

News Encoder

User Encoder

Click Predictor

Experiment