基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦研究.pdf

1、新聞推薦系統(tǒng)中，基于內(nèi)容的推薦生成的推薦結(jié)果具有個性化的優(yōu)勢，但存在推薦多樣性的問題，只能推薦出與用戶過去閱讀內(nèi)容相似的新聞。協(xié)同過濾推薦不存在多樣性問題，但在個性化方面卻表現(xiàn)不足，用戶的閱讀興趣不可能由相似用戶完整表述；同時，協(xié)同過濾還存在冷啟動問題，候選新聞必須等待足夠的點擊才可能計算出目標用戶對它的相似度?；旌贤扑]可以兼顧推薦結(jié)果在多樣性和個性化上的需求，但生成滿足多樣性需求的那部分結(jié)果時依然存在冷啟動問題。針對上述問題，本文在充

2、分研究基于內(nèi)容的推薦、協(xié)同過濾以及兩者的混合推薦的基礎(chǔ)上，提出了一種基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦方法。該方法在兼顧多樣性和個性化需求的同時，可有效避免新聞推薦的冷啟動問題。
　　本文首先介紹了新聞推薦的研究背景、現(xiàn)狀以及常用方法，分析了現(xiàn)有方法存在的問題；接著用基于內(nèi)容的推薦發(fā)現(xiàn)用戶對特征詞的既有興趣，用協(xié)同過濾發(fā)現(xiàn)用戶對特征詞的潛在興趣；然后用最大值法融合用戶既有興趣和潛在興趣，得到兼顧多樣性與個性化的融合興趣模型；最

3、后將候選新聞與構(gòu)建的融合興趣模型進行相似度匹配，生成推薦結(jié)果。在發(fā)現(xiàn)用戶既有興趣時，考慮到用戶興趣與時間變化的相關(guān)性，論文提出了一種帶時間權(quán)的既有興趣模型構(gòu)建方法，較好反映出了用戶興趣隨時間的變化關(guān)系。在構(gòu)建相似用戶群時，考慮到僅以行為相似度來評價用戶間的相似性存在的準確性不足的問題，論文提出了一種行為相似度與內(nèi)容相似度協(xié)同的混合相似度計算方法，提高了相似用戶群的準確性。以DataCastle的財新網(wǎng)閱讀記錄為數(shù)據(jù)集，以F-measur

4、e和Diversity為評價指標，以基于內(nèi)容的推薦、協(xié)同過濾推薦和分區(qū)混合推薦方法為參照基準進行對比實驗。通過實驗看出，論文融合方法的推薦結(jié)果，其F-measure和Diversity比基于內(nèi)容的方法分別提高了34.4％和38.2%；比協(xié)同過濾方法F-measure提高了8.6%。雖然與混合推薦的F-measure和Diversity無明顯差距，但論文方法在推薦時，候選新聞無需等待積累足夠的用戶點擊量，沒有混合推薦方法存在的冷啟動問題。