本文關(guān)鍵詞：個性化新聞事件推薦系統(tǒng)的研究與實現(xiàn)，由筆耕文化傳播整理發(fā)布。

【摘要】：網(wǎng)絡(luò)普及帶動了新聞產(chǎn)業(yè)的變革,網(wǎng)絡(luò)新聞成為公眾獲取實時資訊的重要方式之一�？墒敲鎸Ａ康木W(wǎng)絡(luò)新聞,公眾往往很難快速定位自己感興趣的新聞�；诖�,新聞事件發(fā)現(xiàn)技術(shù)應(yīng)運而生,它能夠從互聯(lián)網(wǎng)中挖掘出熱點話題,幫助用戶了解當前熱點;個性化推薦技術(shù)可以根據(jù)用戶的行為習慣,挖掘其興趣點,從而向用戶推薦其可能感興趣的新聞。當前,事件發(fā)現(xiàn)技術(shù)及個性化推薦技術(shù)在信息領(lǐng)域均獲得普遍應(yīng)用,但是,事件發(fā)現(xiàn)技術(shù)挖掘出的熱點話題并不一定是每一個用戶都感興趣的;個性化推薦技術(shù)只能完成單一新聞的推薦功能,并不能把用戶感興趣的事件推薦給用戶�；诖�,本文提出一種個性化新聞事件推薦方法,將新聞事件發(fā)現(xiàn)技術(shù)與個性化推薦技術(shù)融為一體,該方法能夠挖掘出新聞事件,并為用戶進行個性化推薦。本次課題研究的主要工作列述如下:(1)實現(xiàn)一種基于融合模型的改進層次聚類算法。在計算新聞間相似度時,該算法基于TF-IDF的VSM模型與基于LDA主題模型按一定比例加權(quán)求和的方式進行相似度計算;在計算簇間距離時,該算法引入簇中心距離與簇間新聞最遠距離,使得這一算法在計算簇間距離時更加準確。實證研究結(jié)果顯示,本文所提算法與傳統(tǒng)層次聚類算法相比,顯著提升了準確率。(2)實現(xiàn)一種基于混合推薦的新聞事件推薦算法。該算法采用兩種方式建立用戶的興趣模型,其一根據(jù)事件的多重特征以及用戶的行為習慣構(gòu)建目標用戶的興趣模型,其二根據(jù)用戶瀏覽的新聞標題建立用戶基于LDA主題模型的興趣模型;然后,基于VSM模型與LDA主題模型按一定比例加權(quán)求和的方式計算不同用戶間的相似度,得到目標用戶的鄰居用戶集合,以集合中用戶的共同偏好,來挖掘目標用戶的興趣點,最后,向目標用戶推薦其可能感興趣的新聞事件。通過本文的實驗證明,該算法具有較高的準確率和召回率。(3)依據(jù)現(xiàn)實需求,本文開發(fā)出個性化新聞事件推薦系統(tǒng)。實證研究表明,本系統(tǒng)基本可以實現(xiàn)新聞事件發(fā)現(xiàn)以及新聞事件推薦的預(yù)設(shè)功能目標,運行穩(wěn)定、高效。
【關(guān)鍵詞】：LDA主題模型 層次聚類 新聞事件 用戶興趣模型 推薦系統(tǒng)
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-10
• 第1章 緒論10-16
• 1.1 研究背景和意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 事件發(fā)現(xiàn)技術(shù)的研究現(xiàn)狀11-12
• 1.2.2 個性化推薦技術(shù)的研究現(xiàn)狀12-13
• 1.3 論文的研究目標和主要工作13-14
• 1.3.1 任務(wù)目標13
• 1.3.2 難點分析13-14
• 1.3.3 解決方案14
• 1.4 論文的結(jié)構(gòu)安排14-16
• 第2章 關(guān)鍵技術(shù)介紹16-24
• 2.1 事件發(fā)現(xiàn)技術(shù)16-18
• 2.1.1 特征詞選擇16-17
• 2.1.2 聚類算法17-18
• 2.2 用戶興趣模型介紹18-19
• 2.3 個性化推薦方法19-23
• 2.3.1 基于內(nèi)容的推薦19-20
• 2.3.2 協(xié)同過濾推薦20-22
• 2.3.3 混合推薦22-23
• 2.4 本章小結(jié)23-24
• 第3章 基于融合模型的改進層次聚類算法24-38
• 3.1 文本向量化24-29
• 3.1.1 基于TF-IDF的VSM模型24-25
• 3.1.2 LDA主題模型25-29
• 3.2 文本相似度計算29-32
• 3.2.1 常用距離計算方法29-30
• 3.2.2 本文使用的方法30-32
• 3.3 改進的層次聚類算法32-36
• 3.3.1 傳統(tǒng)層次聚類算法存在的問題33-34
• 3.3.2 改進的層次聚類算法描述34-36
• 3.4 基于簇信息的事件特征計算36-37
• 3.5 本章小結(jié)37-38
• 第4章 基于混合推薦的新聞事件推薦算法38-48
• 4.1 新聞事件模型38
• 4.1.1 新聞事件模型的表示38
• 4.2 用戶興趣模型38-42
• 4.2.1 基于事件的用戶興趣模型39-41
• 4.2.2 基于LDA主題模型的用戶興趣模型41-42
• 4.3 個性化推薦算法42-47
• 4.3.1 傳統(tǒng)推薦算法現(xiàn)存問題43
• 4.3.2 本文推薦算法的總體設(shè)計43-45
• 4.3.3 本文推薦策略的詳細方案45-47
• 4.4 本章小結(jié)47-48
• 第5章 個性化新聞事件推薦系統(tǒng)的設(shè)計與實現(xiàn)48-56
• 5.1 系統(tǒng)需求分析48
• 5.2 系統(tǒng)總體設(shè)計48-49
• 5.2.1 系統(tǒng)架構(gòu)圖48-49
• 5.3 系統(tǒng)詳細設(shè)計49-55
• 5.3.1 數(shù)據(jù)采集模塊50-51
• 5.3.2 數(shù)據(jù)存儲模塊51-52
• 5.3.3 數(shù)據(jù)預(yù)處理模塊52-53
• 5.3.4 新聞聚類模塊53-54
• 5.3.5 事件推薦模塊54-55
• 5.4 本章小結(jié)55-56
• 第6章 實驗結(jié)果與分析56-66
• 6.1 實驗運行環(huán)境56
• 6.2 針對新聞聚類的功能測試56-60
• 6.2.1 實驗數(shù)據(jù)56
• 6.2.2 評價指標56-57
• 6.2.3 實驗結(jié)果分析57-60
• 6.3 針對新聞推薦的功能測試60-65
• 6.3.1 實驗數(shù)據(jù)60
• 6.3.2 評價指標60-61
• 6.3.3 實驗結(jié)果分析61-65
• 6.4 本章小結(jié)65-66
• 結(jié)論與展望66-68
• 參考文獻68-72
• 攻讀碩士學位期間發(fā)表的學術(shù)論文72-74
• 致謝74

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 米可菲;張勇;邢春曉;蔚欣;;面向大數(shù)據(jù)的開源推薦系統(tǒng)分析[J];計算機與數(shù)字工程;2013年10期

2 脫建勇;王嵩;李秀;劉文煌;;精品課共享中的推薦系統(tǒng)框架與實現(xiàn)[J];計算機工程與設(shè)計;2006年17期

3 蘇冠賢;張麗霞;林丕源;劉吉平;;生物信息學推薦系統(tǒng)的設(shè)計與實現(xiàn)[J];計算機應(yīng)用研究;2007年05期

4 王改芬;;推薦系統(tǒng)研究綜述[J];軟件導(dǎo)刊;2007年23期

5 葉群來;;營銷與網(wǎng)絡(luò)推薦系統(tǒng)[J];電子商務(wù);2007年10期

6 李媚;;個性化網(wǎng)絡(luò)學習資源推薦系統(tǒng)研究[J];福建電腦;2008年12期

7 潘冉;姜麗紅;;基于經(jīng)濟學模型的推薦系統(tǒng)的研究[J];計算機應(yīng)用與軟件;2008年03期

8 劉魯;任曉麗;;推薦系統(tǒng)研究進展及展望[J];信息系統(tǒng)學報;2008年01期

9 劉小燕;陳艷麗;賈宗璞;沈記全;;基于增強學習的旅行計劃推薦系統(tǒng)[J];計算機工程;2010年21期

10 曹畋;;智能推薦系統(tǒng)在知識瀏覽領(lǐng)域的應(yīng)用[J];硅谷;2011年21期

中國重要會議論文全文數(shù)據(jù)庫 前8條

1 張燕;李燕萍;;基于內(nèi)容分析和點擊率記錄的混合音樂推薦系統(tǒng)[A];2009年通信理論與信號處理學術(shù)年會論文集[C];2009年

2 趙欣;寇綱;鄔文帥;盧艷群;;基于時間密集性的推薦系統(tǒng)攻擊檢測[A];第六屆（2011）中國管理學年會論文摘要集[C];2011年

3 張玉連;張波;張敏;;改進的個性化信息推薦系統(tǒng)的設(shè)計與實現(xiàn)[A];2005年全國理論計算機科學學術(shù)年會論文集[C];2005年

4 王君;許潔萍;;層次音樂推薦系統(tǒng)的研究[A];第18屆全國多媒體學術(shù)會議（NCMT2009）、第5屆全國人機交互學術(shù)會議（CHCI2009）、第5屆全國普適計算學術(shù)會議（PCC2009）論文集[C];2009年

5 潘宇;林鴻飛;楊志豪;;基于用戶聚類的電子商務(wù)推薦系統(tǒng)[A];第三屆學生計算語言學研討會論文集[C];2006年

6 尤忠彬;陳越;張英;朱揚勇;;基于Web服務(wù)的技術(shù)轉(zhuǎn)移平臺推薦系統(tǒng)研究[A];第二十二屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2005年

7 王國霞;劉賀平;李擎;;二部圖影射及其在推薦系統(tǒng)中的應(yīng)用[A];第25屆中國控制與決策會議論文集[C];2013年

8 王雪;董愛華;吳怡之;;基于RFID技術(shù)的智能服裝推薦系統(tǒng)設(shè)計[A];2011年全國電子信息技術(shù)與應(yīng)用學術(shù)會議論文集[C];2011年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 ;大數(shù)據(jù)如何“落地”[N];中國新聞出版報;2014年

2 本報記者 鄒大斌;大數(shù)據(jù)：電商新武器[N];計算機世界;2012年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 周魏;推薦系統(tǒng)中基于目標項目分析的托攻擊檢測研究[D];重慶大學;2015年

2 田剛;融合維基知識的情境感知Web服務(wù)發(fā)現(xiàn)方法研究[D];武漢大學;2015年

3 胡亮;集成多元信息的推薦系統(tǒng)建模方法的研究[D];上海交通大學;2015年

4 王宏宇;商務(wù)推薦系統(tǒng)的設(shè)計研究[D];中國科學技術(shù)大學;2007年

5 楊東輝;基于情感相似度的社會化推薦系統(tǒng)研究[D];哈爾濱工業(yè)大學;2014年

6 曹渝昆;基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的智能推薦系統(tǒng)研究[D];重慶大學;2006年

7 王立才;上下文感知推薦系統(tǒng)若干關(guān)鍵技術(shù)研究[D];北京郵電大學;2012年

8 劉龍;一個能實現(xiàn)個性化實時路徑推薦服務(wù)的推薦系統(tǒng)框架[D];中國科學技術(shù)大學;2014年

9 李濤;推薦系統(tǒng)中若干關(guān)鍵問題研究[D];南京航空航天大學;2009年

10 劉士琛;面向推薦系統(tǒng)的關(guān)鍵問題研究及應(yīng)用[D];中國科學技術(shù)大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 朱孔真;基于云計算的電子商務(wù)智能推薦系統(tǒng)研究[D];武漢理工大學;2014年

2 郭敬澤;基于賦權(quán)評分和Dpark的分布式推薦系統(tǒng)研究與實現(xiàn)[D];天津理工大學;2015年

3 周俊宇;信息推薦系統(tǒng)的研究與設(shè)計[D];江南大學;2015年

4 李煒;基于電子商務(wù)平臺的保險推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];復(fù)旦大學;2013年

5 車豐;基于排序主題模型的論文推薦系統(tǒng)[D];大連海事大學;2015年

6 秦大路;基于因式分解機模型的上下文感知推薦系統(tǒng)研究[D];鄭州大學;2015年

7 徐霞婷;動態(tài)路網(wǎng)監(jiān)控與導(dǎo)航推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];蘇州大學;2015年

8 黃學峰;基于Hadoop的電影推薦系統(tǒng)研究與實現(xiàn)[D];南京師范大學;2015年

9 路小瑞;基于Hadoop平臺的職位推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];上海交通大學;2015年

10 李愛寶;基于組合消費行為分析的團購?fù)扑]系統(tǒng)的設(shè)計與實現(xiàn)[D];哈爾濱工業(yè)大學;2015年

  本文關(guān)鍵詞：個性化新聞事件推薦系統(tǒng)的研究與實現(xiàn)，由筆耕文化傳播整理發(fā)布。

，

本文編號：270523