Panoramische Interessen: Stilistisch-inhaltsbewusste personalisierte Schlagzeilengenerierung

Panoramic Interests: Stylistic-Content Aware Personalized Headline Generation

January 21, 2025

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

cs.AI

Zusammenfassung

Die personalisierte Generierung von Nachrichtenüberschriften zielt darauf ab, den Nutzern auf ihre Vorlieben zugeschnittene, aufmerksamkeitsstarke Überschriften bereitzustellen. Gängige Methoden konzentrieren sich auf nutzerorientierte Inhaltspräferenzen, vernachlässigen jedoch oft, dass vielfältige stilistische Präferenzen integraler Bestandteil der panoramischen Interessen der Nutzer sind, was zu suboptimaler Personalisierung führt. Vor diesem Hintergrund schlagen wir ein neuartiges Rahmenwerk für die personalisierte Generierung von Überschriften vor, das stilistische und inhaltliche Präferenzen berücksichtigt, das sogenannte Stylistic-Content Aware Personalized Headline Generation (SCAPE). SCAPE extrahiert sowohl inhaltliche als auch stilistische Merkmale aus Überschriften mithilfe einer Zusammenarbeit mit einem großen Sprachmodell (LLM). Darüber hinaus integriert es adaptiv die lang- und kurzfristigen Interessen der Nutzer durch ein kontrastives Lernen-basiertes hierarchisches Fusionsnetzwerk. Durch die Einbeziehung panoramischer Interessen in den Überschriften-Generator spiegelt SCAPE die stilistisch-inhaltlichen Präferenzen der Nutzer während des Generierungsprozesses wider. Umfangreiche Experimente mit dem realen Datensatz PENS zeigen die Überlegenheit von SCAPE gegenüber Basislinien.

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.