基于主題矩陣分解模型的新聞推薦算法研究.pdf

1、當代是信息大爆炸的時代，我們每天都在瀏覽著各色各樣的新聞，很多時候，我們出現(xiàn)了“信息選擇困難癥”，這就是“信息過載”問題，因此，智能新聞推薦應運而生。通過為用戶提供個性化的新聞列表，提高用戶的閱讀體驗。目前網(wǎng)絡新聞閱讀已成為目前最熱門的互聯(lián)網(wǎng)的應用之一。
　　冷啟動問題是個性化推薦的一個一直存在且仍未被很好解決的問題，包括了用戶冷啟動和項目冷啟動，而基于內(nèi)容的推薦方法能解決項目的冷啟動。本文首先對用戶的冷啟動問題進行研究，通過流行

2、度推薦生成初始推薦候選集，再運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，同時充分利用基于負反饋的補足策略，經(jīng)過循環(huán)迭代構(gòu)建用戶的興模型。本文提出“適當停頓及感興趣”的思路，構(gòu)建多層次的循環(huán)迭代訓練用戶興趣的新用戶新聞推薦模型，為用戶冷啟動的問題提供好的解決方案。
　　新聞推薦以用戶識別和用戶的個性化建模為核心，在網(wǎng)絡上閱讀新聞，很多新聞門戶和新聞應用都并不要求用戶注冊登錄，而用戶為了方便，且更多的用戶擔心自己的信息

3、被泄露出去也不愿意去注冊登錄后才瀏覽新聞，這就使得新聞推薦無法獲取用戶自己提供的個人資料以及一些顯式的興趣愛好，同時，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、進入系統(tǒng)的時間、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前提下，進行新聞推薦的研究。本文為精準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期、短期、近期、實時四個時間維度來構(gòu)建用戶的興趣模型。由于新聞是動態(tài)的，且用戶的興趣也是

4、動態(tài)的，用戶興趣會隨著時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時用戶興趣模型。該模型分為離線層、中間層、在線層三個層次，通過分層計算，該模型對實時處理表現(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這些屬性是相互無關(guān)聯(lián)互不影響的，而實際上，屬性間或多或少的

5、都存在影響，確實也有少數(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上，綜合了主題模型的語義分析和對新聞屬性的矩陣分解模型，在識別用戶和用戶興趣模型的基礎上，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，已更加精準的方式向用戶進行新聞推薦。實驗結(jié)果表明，本文的所提出的新聞推