個性化新聞推薦系統(tǒng)的研究與設(shè)計.pdf

1、個性化新聞推薦系統(tǒng)是根據(jù)每個登錄過推薦系統(tǒng)的用戶的歷史行為，使用推薦算法為每個用戶推薦其感興趣的新聞?；趨f(xié)同過濾算法的個性化新聞推薦算法是根據(jù)用戶的歷史行為計算新聞的相似度，并完成相似新聞的推薦。這種相似度的計算方法沒有挖掘新聞本身的特點，存在數(shù)據(jù)稀疏的問題。同時，協(xié)同過濾算法沒有考慮用戶的興趣隨時間發(fā)生動態(tài)變化的問題。
　　針對推薦算法新聞相似度計算存在數(shù)據(jù)稀疏問題，本文著重研究了國內(nèi)外文本相似度的計算方法，提出了適合新聞特點

2、的混合相似度計算方法。改進的相似度計算方法是在現(xiàn)有的相似度計算方法的基礎(chǔ)上，考慮了新聞文本中不同詞性的詞語重要性不同、新聞標題中的詞語重要高于新聞?wù)闹械脑~語這兩個特點，并融合了基于用戶行為的相似度計算方式，最后將改進的新聞相似度計算方式用于新聞推薦算法中。
　　針對協(xié)同過濾算法沒有考慮用戶興趣變化的問題，本文著重研究了國內(nèi)外現(xiàn)有個性化新聞推薦算法，提出了適應(yīng)用戶興趣變化的個性化新聞推薦算法。一般來說，用戶近期瀏覽的新聞對用戶的興

3、趣模型貢獻較大，但用戶興趣具有反復(fù)性的特點，即早期的興趣也有可能對用戶有影響。因此，在協(xié)同過濾算法的基礎(chǔ)上，建立了用戶的近期興趣模型和基于行為反復(fù)的興趣模型，融合得到用戶穩(wěn)定的興趣模型，并用于推薦算法中。
　　論文中的數(shù)據(jù)集采用的是DataCastle的財新網(wǎng)閱讀記錄，評測指標是F-measure值和平均絕對誤差值。適合新聞特點的混合相似度計算方法與現(xiàn)有的相似度計算方法都用于推薦算法進行對比，推薦結(jié)果顯示，改進后的相似度計算方法的

4、推薦結(jié)果的F-measure值比其他的算法最大高出10.5％，這說明了改進后的算法能更精確地計算新聞相似度值，有效避免了數(shù)據(jù)稀疏問題；適應(yīng)用戶興趣變化的個性化新聞推薦算法的F-measure值與傳統(tǒng)的協(xié)同過濾算法、現(xiàn)有的推薦算法最大高出11.5%，平均絕對誤差值最高下降了8%，這說明了改進后的算法能更好地反映用戶的興趣。
　　論文最后完成了個性化新聞推薦系統(tǒng)的設(shè)計與實現(xiàn)。通過對個性化新聞推薦系統(tǒng)進行總體分析和需求設(shè)計，并將改進的推