基于隱式專家的個(gè)性化新聞推薦.pdf

1、信息時(shí)代的發(fā)展使得人們能夠快速方便的通過新聞網(wǎng)站(Google News，Yahoo News)和移動(dòng)應(yīng)用(CNN Mobile)瀏覽世界各地發(fā)生的新聞。然而，大量的新聞不間斷的產(chǎn)生導(dǎo)致用戶信息過載，使得用戶很難快速發(fā)現(xiàn)符合自身興趣的新聞。因此一個(gè)重要的研究課題就是如何幫助在線讀者自動(dòng)發(fā)現(xiàn)滿足用戶興趣的新聞，推送給讀者，稱為個(gè)性化新聞推薦?；诓煌呗缘男侣勍扑]系統(tǒng)已經(jīng)被廣泛應(yīng)用到在線新聞閱讀服務(wù)中。本文主要研究新聞推薦中的冷啟動(dòng)問題和

2、數(shù)據(jù)稀疏性問題，并提出基于隱式專家和近鄰的混合推薦框架PRemiSE，主要包含以下內(nèi)容:
　　第一，如何緩解數(shù)據(jù)稀疏性問題？大部分用戶歷史閱讀行為較少造成得到的反饋或者評(píng)分?jǐn)?shù)據(jù)比較稀疏，導(dǎo)致傳統(tǒng)推薦方法不能有效的獲取用戶訪問模式計(jì)算用戶或者物品之間的相似性。
　　第二，如何緩解冷啟動(dòng)問題？包括用戶冷啟動(dòng)和物品冷啟動(dòng)兩方面，指對(duì)于新發(fā)布的新聞或者新注冊(cè)的用戶該如何進(jìn)行推薦。在線閱讀用戶不斷的加入和新聞的動(dòng)態(tài)產(chǎn)生使得冷啟動(dòng)問題在

3、該課題中尤為重要。
　　第三，極少的工作研究了“專家”在推薦系統(tǒng)的作用，我們提出PRemiSE混合推薦框架，通過概率矩陣分解（Probabilistic Matrix Factorization）融合新聞文本內(nèi)容，協(xié)同過濾和隱式用戶傳播網(wǎng)絡(luò)?；谟脩糸喿x偏好，新聞?wù)Z義信息，隱式專家意見更準(zhǔn)確的生成預(yù)測(cè)評(píng)分。
　　在真實(shí)新聞數(shù)據(jù)集上做了詳細(xì)的數(shù)據(jù)分析和實(shí)驗(yàn)驗(yàn)證，驗(yàn)證基于用戶訪問日志來構(gòu)建隱式用戶網(wǎng)絡(luò)的可行性和有效性。基于該網(wǎng)絡(luò)