论文部分内容阅读
随着互联网技术的高速发展,移动通信网络与计算机网络迅速融合,越来越多的用户使用移动设备(如智能手机、平板电脑、PAD等)来获取网络服务和信息资源。然而,移动用户在享受丰富多彩的海量信息同时也面临着严重的“信息过载”问题。此外,由于移动设备终端自身的处理能力、网络带宽、显示屏幕大小等限制,人们发现传统的浏览方式和搜索技术已经无法满足当前用户个性化的需求。移动推荐系统正是在这种需求背景下产生的,它为人们提供了一种全新的个性化服务模式。移动推荐系统(Mobile Recommender Systems)通过收集移动用户的浏览行为,运用个性化推荐技术加以分析,预测用户的兴趣偏好,主动为用户推送满足其个性化需求的信息内容,它是缓解“移动信息过载”的有效技术手段,得到人们越来越多的关注。本文通过分析移动互联网不同于传统互联网的特点,研究并设计面向移动互联网的个性化推荐算法,并将该算法应用于移动健康新闻推荐领域。文章的主要工作内容包含如下:1.为节省移动网络流量和提高阅读效率,设计了一种基于LDA模型的新闻文档自动摘要算法。本文通过计算文档主题分布与句子主题分布之间的相似性,得到了句子主题特征,结合句子在文档中的位置和标题相似性等特征,形成组合特征计算句子权重,最后根据权重排序抽取句子生成新闻摘要。实验结果验证,在LDA模型中加入组合特征后,自动文摘的性能得到了提高。2.提出一种基于社会化标签和动态兴趣转移模型的协同过滤推荐算法。首先将用户-新闻-标签张量模型根据标签兴趣转移曲线作调整,然后利用社区发现技术划分用户小组,从中提取候选的社会性标签,使用SVD对用户-新闻矩阵R和新闻-标签矩阵Q进行分解重构,最后使用朴素贝叶斯分类器产生Top-N个新闻推荐。实验结果验证,算法加入时间约束因子后提高了推荐精确度。3.利用本文提出的算法结合Android开发技术,设计开发了一个面向移动互联网的个性化健康新闻推荐系统。