基于馬爾可夫模型的新聞推薦算法研究.pdf

1、互聯(lián)網(wǎng)的飛速發(fā)展，使得信息由之前的匱乏時期轉(zhuǎn)變?yōu)槿缃竦倪^載時期，人們在面對海量數(shù)據(jù)時無法從中快速獲取有用的信息，推薦系統(tǒng)作為解決這一問題的有力工具已被應用到各領(lǐng)域中，如新聞、電子商務(wù)等。在線閱讀新聞已經(jīng)成為絕大多數(shù)用戶獲悉國內(nèi)外大事等信息的重要途徑之一，過載的新聞資訊信息使得門戶網(wǎng)站的推薦已經(jīng)無法滿足用戶需求，個性化推薦成為解決此類問題的重要方法。
　　本文針對傳統(tǒng)推薦算法在新聞推薦中存在的準確率低、冷啟動等問題，本文提出了改進的

2、馬爾可夫模型方法，該方法不僅能夠解決傳統(tǒng)方法準確率低的問題，而且還能處理馬爾可夫模型應用于該領(lǐng)域時出現(xiàn)的冷啟動問題。改進方法的主要思想如下：首先，在模型訓練之前，采用k-means聚類方法對新聞文本進行歸類。其次，利用用戶瀏覽序列分別建立低階模型與基于聚類的馬爾可夫模型，最后利用當前用戶狀態(tài)與已建立模型生成候選推薦列表，并對所得候選列表利用新聞熱度以及時效性進行篩選，形成推薦列表。將改進算法與兩種常用的推薦算法進行對比，實驗結(jié)果證明改進