论文部分内容阅读
近年来,随着互联网技术的飞速发展和智能手机的全面普及,新闻资讯相关的应用逐渐从电脑端走向手机端,以今日头条为代表的个性化新闻资讯浏览平台自出现以来,就受到业界和研究者的广泛关注。新闻资讯推荐平台拥有海量资讯内容,在为用户提供实时新闻资讯的同时,也带来了信息过载的挑战,个性化资讯推荐技术应运而生。目前已有的资讯推荐技术大多着眼于大众情感分析,没有专门针对校园特点的资讯策略。校园头条是一款针对高校校园的个性化新闻资讯发布平台,集成校园信息系统,对在校师生进行个性化资讯推送。本文分析传统的新闻资讯推荐技术中的优点与不足,挖掘校园用户的行为特点,提出基于用户行为的隐式评分填充方法;引入主题模型挖掘资讯的内容特征,从用户和项目两个角度进行分析,提出基于多维度修正的个性化资讯推荐算法。本文主要研究内容如下:(1)分析校园头条的用户行为特点,针对不同的行为特征,赋予基于经验的权重值。根据用户的行为和对应的权重值,对推荐系统中的用户-项目矩阵进行隐式评分填充,增加矩阵密度。分析不同用户的行为集合,提出一种计算用户之间行为相似度的方法。(2)引入LDA主题模型,分析资讯的内容特征,抽象出资讯的主题向量模型。根据主题向量模型,提出一种资讯之间的内容相似度计算方法。进一步结合用户行为权重,提出一种加权的计算用户关注内容的相似度的方法。(3)以用户之间的行为相似度的计算方法和资讯之间内容相似度的计算方法为基础,本文提出了基于多维度修正的个性化资讯推荐算法。算法从用户和项目两个维度进行分析,用户维度考虑了用户的行为相关性和关注的内容的相似度,项目维度考虑了资讯之间主题的相似程度和用户评分中隐藏的关联。(4)针对协同过滤算法中存在的稀疏性问题,本文以隐式评分填充为基础,提出项目重合度修正因子。针对概念漂移问题,提出时间衰减因子。针对资讯热度对推荐结果的影响,尝试提出一种新闻热度修正因子。(5)基于校园头条的运营数据集,实现基于多维度修正的个性化资讯推荐算法,并进行实验分析。实验结果表明本文基于多维度修正的个性化资讯推荐算法是有效的,能够提高校园新闻资讯推荐的质量。