基于隱語(yǔ)義模型的個(gè)性化新聞推薦系統(tǒng).pdf

1、個(gè)性化新聞推薦系統(tǒng)是通過(guò)分析用戶的歷史行為數(shù)據(jù)，并對(duì)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(guò)濾工具。目前，個(gè)性化新聞推薦系統(tǒng)已經(jīng)在各個(gè)新聞網(wǎng)站上廣泛應(yīng)用，通過(guò)該系統(tǒng)可以提高用戶瀏覽新聞的效率，對(duì)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(guò)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(guò)但目標(biāo)用戶還沒(méi)閱讀過(guò)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(dòng)”問(wèn)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(diǎn)；其次，現(xiàn)有的新聞推薦雖然有完整的項(xiàng)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(wèn)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(duì)新聞而言不存在用戶—項(xiàng)目評(píng)分。針對(duì)上述問(wèn)題，本文首先對(duì)隱式反饋進(jìn)行顯式處理，然后提出一種基于隱語(yǔ)義模型的改進(jìn)算法，對(duì)新聞項(xiàng)目粒度進(jìn)行了自動(dòng)聚類分割，使得該算法能在實(shí)

3、時(shí)性和準(zhǔn)確性方面有優(yōu)于傳統(tǒng)隱語(yǔ)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(yùn)行在分布式平臺(tái)下。
　　針對(duì)上述提出的設(shè)計(jì)方案，本文主要工作和創(chuàng)新點(diǎn)如下：
　　1、對(duì)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(wèn)題。
　　2、針對(duì)實(shí)時(shí)性問(wèn)題，本文首先通過(guò)新聞鏈接的內(nèi)容屬性得到某個(gè)鏈接的內(nèi)容特征向量。然后，系統(tǒng)實(shí)時(shí)搜集用戶對(duì)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(guò)對(duì)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(yǔ)義模型不能解決實(shí)時(shí)性問(wèn)題的缺陷。
　　3、為了確保新聞能夠第一時(shí)間被推薦到用戶手中，我們通過(guò)引入時(shí)間衰減因子，用以降低過(guò)時(shí)新聞的權(quán)重，增加熱點(diǎn)新聞呈現(xiàn)在用戶眼前的概率。
　　本文的實(shí)驗(yàn)數(shù)據(jù)集有兩個(gè)，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(gè)數(shù)據(jù)集，第二組數(shù)據(jù)集對(duì)“冷啟動(dòng)”問(wèn)題提升效果明顯