Cet article met en évidence le problème suivant : les méthodes existantes de génération de titres personnalisés à partir des données de clics passés des utilisateurs ne prennent pas en compte le bruit de clic non pertinent dans le flux de clics, ce qui peut générer des titres qui ne correspondent pas aux préférences réelles des utilisateurs. Pour résoudre ce problème, nous proposons un nouveau cadre, PHG-DIF (Personalized Headline Generation framework via Denoising Fake Interests from Implicit Feedback). PHG-DIF supprime le bruit du flux de clics grâce à un double filtrage basé sur les temps de visite courts et les pics de clics inhabituels, et modélise dynamiquement l'évolution et la diversité des intérêts des utilisateurs grâce à une fusion temporelle multi-niveaux afin d'obtenir un profilage utilisateur précis. De plus, nous présentons un nouvel ensemble de données de référence, DT-PENS, composé de données de clics de 1 000 utilisateurs et d'environ 10 000 titres personnalisés annotés. Les résultats expérimentaux démontrent que PHG-DIF atténue considérablement l'impact négatif du bruit de clic et atteint des performances de pointe.
