文本推薦作為推薦系統(tǒng)的一個應用場景，有著成功的商業(yè)化落地實踐。最為大家熟知的文本推薦系統(tǒng)是今日頭條的新聞推薦。其他的新聞門戶網(wǎng)站例如騰迅新聞和網(wǎng)易新聞，也都將文本推薦作為自己產(chǎn)品不可分割的一部分。 

 [[208767]]

文本推薦不僅可以用來進行新聞推薦，也可以用來支持其他產(chǎn)品例如問答推薦。國外有一些公司的主要業(yè)務甚至就是文本推薦，比如有一家名為 Outbrain 的公司，專門為各大網(wǎng)站提供文本推薦服務。

下面我們按照時間發(fā)展脈絡來看五個文本推薦的成功應用案例。

一、Google 新聞推薦系統(tǒng)

2010 年 Jiahui Liu 等人發(fā)表的論文 Personalized News Recommendation based on Click Behavior 是文本推薦領域的經(jīng)典之作。作者用非常簡單的方式設計了 Google 新聞推薦系統(tǒng)。該系統(tǒng)采用的方法是簡單的協(xié)同過濾和 SVD 分解，外加對于用戶個人和群體喜好的歷史統(tǒng)計信息。這種方式一方面解決了推薦本身這個問題，另一方面解決了新聞中存在的馬太效應問題。

二、紐約時報推薦系統(tǒng)

紐約時報的推薦系統(tǒng)源于普林斯頓大學和微軟的研究人員對于文本推薦的研究工作。2011 年 Chong Wang 等人在論文 Collaborative Topic Modeling for Recommending Scientific Articles提出了 Collaborative Topic Regression 模型。該模型結合了協(xié)同過濾和主題模型，概率圖模型如圖1所示。

圖 1. Collaborative Topic Regression 概率圖模型

Collaborative Topic Regression 及其后續(xù)的研發(fā)工作成就了紐約時報的新聞推薦系統(tǒng)。

三、百度知道問答推薦系統(tǒng)

2012 年和 2014 年百度分別在 ACM RecSys 和 ACM SAC 上發(fā)表了兩篇論文，描述了百度知道問答推薦系統(tǒng)是如何構建的。百度知道的推薦系統(tǒng)采用了混合模型，結合了線性模型和非線性模型，利用了自然語言處理中關鍵詞提取等技術。

圖2. 百度知道問答推薦系統(tǒng)架構

百度知道問答推薦系統(tǒng)的關鍵是線性模型的特征工程以及自然語言處理的相關技術。

四、協(xié)同深度學習

2015 年 Hao Wang 等人在數(shù)據(jù)挖掘的頂級會議 KDD 上發(fā)表了文章 Collaborative Deep Learning for Recommender Systems。作者結合了協(xié)同過濾和 stacked denoising autoencoder 設計了文本推薦的混合模型?；旌夏Ｐ偷母怕蕡D模型如圖2所示。

圖2. 協(xié)同深度學習的概率圖模型

五、基于 GRU 的深度文本模型

2016 年 Trapit Bansal 等人在 ACM RecSys 會議上發(fā)表論文 Ask the GRU: Multi-task Learning for Deep Text Recommendations，提出了基于 GRU 的文本推薦模型（如圖3所示）。

圖3. 基于 GRU文本推薦模型的深度神經(jīng)網(wǎng)絡結構

文本推薦是推薦系統(tǒng)的一個重要分支，采用了豐富的機器學習和自然語言處理技術，被廣泛應用于新聞和問答等領域。近年來隨著深度學習的崛起，人工智能的新技術也對文本推薦的發(fā)展起到了推波助瀾的作用。

隨著今日頭條的發(fā)展壯大，許多新聞媒體網(wǎng)站也意識到了文本推薦的重要性，百度、騰訊、網(wǎng)易等公司都在相關領域加大了人力物力的投入。隨著產(chǎn)品的創(chuàng)新和技術的進步，文本推薦將會給我們的生活帶來更多的驚喜和便利。

[[208770]]

汪昊，恒昌利通大數(shù)據(jù)部負責人，美國猶他大學碩士，在百度，新浪，網(wǎng)易，豆瓣等公司有多年的研發(fā)和技術管理經(jīng)驗，擅長機器學習，大數(shù)據(jù)，推薦系統(tǒng)，社交網(wǎng)絡分析，計算機圖形學，可視化等技術。在 TVCG 和 ASONAM 等國際會議和期刊發(fā)表論文 5 篇。本科畢業(yè)論文獲國際會議 IEEE SMI 2008 最佳論文獎。