基于隱語義模型的個性化新聞推薦系統(tǒng).pdf

1、個性化新聞推薦系統(tǒng)是通過分析用戶的歷史行為數(shù)據(jù)，并對用戶行為進(jìn)行建模，進(jìn)而向用戶推薦其感興趣的內(nèi)容的一種高效信息過濾工具。目前，個性化新聞推薦系統(tǒng)已經(jīng)在各個新聞網(wǎng)站上廣泛應(yīng)用，通過該系統(tǒng)可以提高用戶瀏覽新聞的效率，對提高新聞網(wǎng)站的用戶粘性具有重要意義。
　　然而，目前大多數(shù)新聞推薦系統(tǒng)采用的是基于協(xié)同過濾算法，首先找出與目標(biāo)用戶相似的“鄰居”，然后向目標(biāo)用戶推薦“鄰居”瀏覽過但目標(biāo)用戶還沒閱讀過的新聞。由此可知這種方案還是存在以下

2、缺陷：首先，就是“冷啟動”問題，由于每條新聞的周期很短，所以系統(tǒng)應(yīng)當(dāng)盡快地將新聞推送出去，而該算法不能做到這一點；其次，現(xiàn)有的新聞推薦雖然有完整的項目元素分類，但是粒度并不精細(xì)，而且不能很好地處理權(quán)重問題。第三，現(xiàn)有的新聞網(wǎng)站并不像電影或者書籍一樣能夠從用戶那得到顯式反饋，對新聞而言不存在用戶—項目評分。針對上述問題，本文首先對隱式反饋進(jìn)行顯式處理，然后提出一種基于隱語義模型的改進(jìn)算法，對新聞項目粒度進(jìn)行了自動聚類分割，使得該算法能在實

3、時性和準(zhǔn)確性方面有優(yōu)于傳統(tǒng)隱語義模型推薦算法；此外，為了適應(yīng)當(dāng)前大數(shù)據(jù)條件下推薦系統(tǒng)的可擴(kuò)展性，本文將改進(jìn)后的推薦算法運行在分布式平臺下。
　　針對上述提出的設(shè)計方案，本文主要工作和創(chuàng)新點如下：
　　1、對當(dāng)前新聞推薦中普遍存在的隱式反饋進(jìn)行顯式處理，較好的解決了數(shù)據(jù)稀疏性問題。
　　2、針對實時性問題，本文首先通過新聞鏈接的內(nèi)容屬性得到某個鏈接的內(nèi)容特征向量。然后，系統(tǒng)實時搜集用戶對鏈接的行為，并且用這些行為得到鏈接

4、的隱性特征向量。用戶的特征向量是通過對其歷史數(shù)據(jù)的分析得到的，這樣就能有效地避免基于隱語義模型不能解決實時性問題的缺陷。
　　3、為了確保新聞能夠第一時間被推薦到用戶手中，我們通過引入時間衰減因子，用以降低過時新聞的權(quán)重，增加熱點新聞呈現(xiàn)在用戶眼前的概率。
　　本文的實驗數(shù)據(jù)集有兩個，一是廣東工業(yè)大學(xué)校園新聞通知網(wǎng)近幾年的用戶數(shù)據(jù)；二是GroupLens的新聞數(shù)據(jù)集。相比第一個數(shù)據(jù)集，第二組數(shù)據(jù)集對“冷啟動”問題提升效果明顯