基于主題矩陣分解模型的新聞推薦算法研究.pdf

1、當(dāng)代是信息大爆炸的時(shí)代，我們每天都在瀏覽著各色各樣的新聞，很多時(shí)候，我們出現(xiàn)了“信息選擇困難癥”，這就是“信息過載”問題，因此，智能新聞推薦應(yīng)運(yùn)而生。通過為用戶提供個(gè)性化的新聞列表，提高用戶的閱讀體驗(yàn)。目前網(wǎng)絡(luò)新聞閱讀已成為目前最熱門的互聯(lián)網(wǎng)的應(yīng)用之一。
　　冷啟動(dòng)問題是個(gè)性化推薦的一個(gè)一直存在且仍未被很好解決的問題，包括了用戶冷啟動(dòng)和項(xiàng)目冷啟動(dòng)，而基于內(nèi)容的推薦方法能解決項(xiàng)目的冷啟動(dòng)。本文首先對(duì)用戶的冷啟動(dòng)問題進(jìn)行研究，通過流行

2、度推薦生成初始推薦候選集，再運(yùn)用主題模型與基于內(nèi)容的推薦，并與用戶所處的情境信息相結(jié)合，同時(shí)充分利用基于負(fù)反饋的補(bǔ)足策略，經(jīng)過循環(huán)迭代構(gòu)建用戶的興模型。本文提出“適當(dāng)停頓及感興趣”的思路，構(gòu)建多層次的循環(huán)迭代訓(xùn)練用戶興趣的新用戶新聞推薦模型，為用戶冷啟動(dòng)的問題提供好的解決方案。
　　新聞推薦以用戶識(shí)別和用戶的個(gè)性化建模為核心，在網(wǎng)絡(luò)上閱讀新聞，很多新聞門戶和新聞應(yīng)用都并不要求用戶注冊(cè)登錄，而用戶為了方便，且更多的用戶擔(dān)心自己的信息

3、被泄露出去也不愿意去注冊(cè)登錄后才瀏覽新聞，這就使得新聞推薦無法獲取用戶自己提供的個(gè)人資料以及一些顯式的興趣愛好，同時(shí)，用戶在瀏覽新聞的過程中，也無意間留下了很多的“腳印”，比如IP所處的位置、進(jìn)入系統(tǒng)的時(shí)間、瀏覽了哪些內(nèi)容等隱式數(shù)據(jù)，本文正是在這樣的一個(gè)前提下，進(jìn)行新聞推薦的研究。本文為精準(zhǔn)而且完整的刻畫用戶行為，將隱式獲得的用戶的新聞瀏覽日志分為長(zhǎng)期、短期、近期、實(shí)時(shí)四個(gè)時(shí)間維度來構(gòu)建用戶的興趣模型。由于新聞是動(dòng)態(tài)的，且用戶的興趣也是

4、動(dòng)態(tài)的，用戶興趣會(huì)隨著時(shí)間和情境的變化而變化，本文引入MAC地址、主題模型、情境信息，提出了基于主題的實(shí)時(shí)用戶興趣模型。該模型分為離線層、中間層、在線層三個(gè)層次，通過分層計(jì)算，該模型對(duì)實(shí)時(shí)處理表現(xiàn)出很好的效果。
　　新聞屬性作為每篇文章的固有屬性，在很早以前的新聞推薦算法中就已經(jīng)有研究者用來作為推薦的依據(jù)，且也取得了非常不錯(cuò)的效果，然而傳統(tǒng)的基于新聞屬性的推薦算法大多是假設(shè)這些屬性是相互無關(guān)聯(lián)互不影響的，而實(shí)際上，屬性間或多或少的

5、都存在影響，確實(shí)也有少數(shù)研究者考慮到了這種屬性間的練聯(lián)系，取得了不一般的效果，本文就是在前人研究是基礎(chǔ)上，綜合了主題模型的語義分析和對(duì)新聞屬性的矩陣分解模型，在識(shí)別用戶和用戶興趣模型的基礎(chǔ)上，將一些可以獲取的如用戶主題和新聞主題以及新聞屬性所具有的相關(guān)性都考慮到推薦算法中，提出了一種融合用戶主題、新聞主題、用戶行為屬性、新聞屬性以及情境信息的主題矩陣分解新聞推薦算法，已更加精準(zhǔn)的方式向用戶進(jìn)行新聞推薦。實(shí)驗(yàn)結(jié)果表明，本文的所提出的新聞推