基于內(nèi)容的推薦與協(xié)同過(guò)濾融合的新聞推薦研究.pdf

1、新聞推薦系統(tǒng)中，基于內(nèi)容的推薦生成的推薦結(jié)果具有個(gè)性化的優(yōu)勢(shì)，但存在推薦多樣性的問(wèn)題，只能推薦出與用戶過(guò)去閱讀內(nèi)容相似的新聞。協(xié)同過(guò)濾推薦不存在多樣性問(wèn)題，但在個(gè)性化方面卻表現(xiàn)不足，用戶的閱讀興趣不可能由相似用戶完整表述；同時(shí)，協(xié)同過(guò)濾還存在冷啟動(dòng)問(wèn)題，候選新聞必須等待足夠的點(diǎn)擊才可能計(jì)算出目標(biāo)用戶對(duì)它的相似度。混合推薦可以兼顧推薦結(jié)果在多樣性和個(gè)性化上的需求，但生成滿足多樣性需求的那部分結(jié)果時(shí)依然存在冷啟動(dòng)問(wèn)題。針對(duì)上述問(wèn)題，本文在充

2、分研究基于內(nèi)容的推薦、協(xié)同過(guò)濾以及兩者的混合推薦的基礎(chǔ)上，提出了一種基于內(nèi)容的推薦與協(xié)同過(guò)濾融合的新聞推薦方法。該方法在兼顧多樣性和個(gè)性化需求的同時(shí)，可有效避免新聞推薦的冷啟動(dòng)問(wèn)題。
　　本文首先介紹了新聞推薦的研究背景、現(xiàn)狀以及常用方法，分析了現(xiàn)有方法存在的問(wèn)題；接著用基于內(nèi)容的推薦發(fā)現(xiàn)用戶對(duì)特征詞的既有興趣，用協(xié)同過(guò)濾發(fā)現(xiàn)用戶對(duì)特征詞的潛在興趣；然后用最大值法融合用戶既有興趣和潛在興趣，得到兼顧多樣性與個(gè)性化的融合興趣模型；最

3、后將候選新聞與構(gòu)建的融合興趣模型進(jìn)行相似度匹配，生成推薦結(jié)果。在發(fā)現(xiàn)用戶既有興趣時(shí)，考慮到用戶興趣與時(shí)間變化的相關(guān)性，論文提出了一種帶時(shí)間權(quán)的既有興趣模型構(gòu)建方法，較好反映出了用戶興趣隨時(shí)間的變化關(guān)系。在構(gòu)建相似用戶群時(shí)，考慮到僅以行為相似度來(lái)評(píng)價(jià)用戶間的相似性存在的準(zhǔn)確性不足的問(wèn)題，論文提出了一種行為相似度與內(nèi)容相似度協(xié)同的混合相似度計(jì)算方法，提高了相似用戶群的準(zhǔn)確性。以DataCastle的財(cái)新網(wǎng)閱讀記錄為數(shù)據(jù)集，以F-measur

4、e和Diversity為評(píng)價(jià)指標(biāo)，以基于內(nèi)容的推薦、協(xié)同過(guò)濾推薦和分區(qū)混合推薦方法為參照基準(zhǔn)進(jìn)行對(duì)比實(shí)驗(yàn)。通過(guò)實(shí)驗(yàn)看出，論文融合方法的推薦結(jié)果，其F-measure和Diversity比基于內(nèi)容的方法分別提高了34.4％和38.2%；比協(xié)同過(guò)濾方法F-measure提高了8.6%。雖然與混合推薦的F-measure和Diversity無(wú)明顯差距，但論文方法在推薦時(shí)，候選新聞無(wú)需等待積累足夠的用戶點(diǎn)擊量，沒(méi)有混合推薦方法存在的冷啟動(dòng)問(wèn)題。