個(gè)性化新聞推薦系統(tǒng)的研究與設(shè)計(jì).pdf

1、個(gè)性化新聞推薦系統(tǒng)是根據(jù)每個(gè)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(gè)用戶推薦其感興趣的新聞?；趨f(xié)同過濾算法的個(gè)性化新聞推薦算法是根據(jù)用戶的歷史行為計(jì)算新聞的相似度，并完成相似新聞的推薦。這種相似度的計(jì)算方法沒有挖掘新聞本身的特點(diǎn)，存在數(shù)據(jù)稀疏的問題。同時(shí)，協(xié)同過濾算法沒有考慮用戶的興趣隨時(shí)間發(fā)生動(dòng)態(tài)變化的問題。
　　針對(duì)推薦算法新聞相似度計(jì)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(jì)算方法，提出了適合新聞特點(diǎn)

2、的混合相似度計(jì)算方法。改進(jìn)的相似度計(jì)算方法是在現(xiàn)有的相似度計(jì)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(biāo)題中的詞語重要高于新聞?wù)闹械脑~語這兩個(gè)特點(diǎn)，并融合了基于用戶行為的相似度計(jì)算方式，最后將改進(jìn)的新聞相似度計(jì)算方式用于新聞推薦算法中。
　　針對(duì)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(gè)性化新聞推薦算法，提出了適應(yīng)用戶興趣變化的個(gè)性化新聞推薦算法。一般來說，用戶近期瀏覽的新聞對(duì)用戶的興

3、趣模型貢獻(xiàn)較大，但用戶興趣具有反復(fù)性的特點(diǎn)，即早期的興趣也有可能對(duì)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(cái)新網(wǎng)閱讀記錄，評(píng)測指標(biāo)是F-measure值和平均絕對(duì)誤差值。適合新聞特點(diǎn)的混合相似度計(jì)算方法與現(xiàn)有的相似度計(jì)算方法都用于推薦算法進(jìn)行對(duì)比，推薦結(jié)果顯示，改進(jìn)后的相似度計(jì)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(jìn)后的算法能更精確地計(jì)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(gè)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(duì)誤差值最高下降了8%，這說明了改進(jìn)后的算法能更好地反映用戶的興趣。
　　論文最后完成了個(gè)性化新聞推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。通過對(duì)個(gè)性化新聞推薦系統(tǒng)進(jìn)行總體分析和需求設(shè)計(jì)，并將改進(jìn)的推