發(fā)布時(shí)間：2022-01-26 05:20

　　互聯(lián)網(wǎng)技術(shù)的發(fā)展,越來越多的人將閱讀的方式轉(zhuǎn)變?yōu)榫W(wǎng)上閱讀。新聞推薦作為一種新聞過濾和用戶定位的手段,可以根據(jù)用戶歷史的閱讀習(xí)慣為用戶推薦其可能感興趣的新聞話題,幫助用戶在大數(shù)據(jù)時(shí)代下,準(zhǔn)確的獲得有效信息,節(jié)省大量的閱讀成本,有效的解決了大數(shù)據(jù)帶來的信息過載問題。而目前對(duì)于信息過載條件下的推薦系統(tǒng)研究主要集中在電子商務(wù)領(lǐng)域,對(duì)于新聞的個(gè)性化推薦研究較少,但新聞作為日常生活必不可缺的一部分,更新迭代速度快,信息量大,用戶很難及時(shí)的捕獲到自己感興趣的信息。因此,針對(duì)新聞進(jìn)行個(gè)性化推薦具有重要意義。協(xié)同過濾模型是經(jīng)典的推薦算法模型,取得了較好的成果,且隨著統(tǒng)計(jì)學(xué)的發(fā)展,神經(jīng)網(wǎng)絡(luò)的出現(xiàn)將神經(jīng)網(wǎng)絡(luò)與協(xié)同過濾相結(jié)合的神經(jīng)協(xié)同過濾模型又進(jìn)一步提升了推薦系統(tǒng)精度,然而,這兩種模型均存在著一定的局限性,例如都是通過用戶和項(xiàng)目的交互記錄來提取用戶的行為特征,沒有充分利用可用的額外信息,限制了推薦準(zhǔn)確度的提升,且對(duì)于稀疏數(shù)據(jù)較為敏感。因此,本文將結(jié)合文本挖掘技術(shù)與神經(jīng)協(xié)同過濾模型在新聞推薦領(lǐng)域的應(yīng)用進(jìn)行研究。首先對(duì)目前主流的推薦算法和文本特征表示的相關(guān)原理進(jìn)行詳細(xì)的分析和介紹,并總結(jié)了各個(gè)方法的優(yōu)缺點(diǎn)。在此基... 

【文章來源】：上海師范大學(xué)上海市

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

淘寶推薦實(shí)例

喜歡并且適合自己的裙子，這就是信息過載造成的用戶挑瀏覽所有的待推薦項(xiàng)目并從中篩選出自己感興趣的項(xiàng)目析大量的用戶行為日志，找出用戶的歷史行為特點(diǎn)，并且史行為，產(chǎn)生各不相同的推薦列表。r 等曾經(jīng)將推薦系統(tǒng)定義為是利用數(shù)據(jù)挖掘技術(shù)和預(yù)測(cè)算數(shù)據(jù)、項(xiàng)目特征數(shù)據(jù)、用戶特征數(shù)據(jù)等預(yù)測(cè)用戶感興趣的mavicius 等用數(shù)學(xué)語言給出了推薦系統(tǒng)的定義：用待推薦用戶集合，用 表示所有待推函數(shù) f ，用來衡量用戶 i 對(duì)項(xiàng)目 j 的效用又稱感興R，其中n=mR 表示評(píng)分矩陣，矩陣中每個(gè)元素表示用算法的目的就是在項(xiàng)目集合V 中找到用戶u U最感興趣下面的公式（2-1）來表示：, arg max ( , )uv Vu U v f u v = 工作流程可以用下圖表示，工作流程如下所示：{u iU = { | 1, 2,..., }jV = v j =n

圖 2-2 基于內(nèi)容的推薦算法示意圖上面流程圖可以清楚的發(fā)現(xiàn)，推薦算法是根據(jù)用戶的歷史行為，產(chǎn)戶興趣的幾個(gè)關(guān)鍵詞作為用戶的興趣愛好模型。并計(jì)算待推薦新聞好的相似程度給出推薦列表。目前最常用的文本特征表示方法就是，通過提取關(guān)鍵詞，構(gòu)建關(guān)鍵詞表，將用戶的興趣特征和新聞的特空間中的一個(gè)高維向量，并根據(jù)向量的相似程度的大小來衡量用戶相似程度。一個(gè)用戶興趣偏好和新聞特征可以表示為下式所示的向量：1 2( , ,..., )kD = w w w（2kw 表示特征的權(quán)重，即用戶在這個(gè)關(guān)鍵詞上的偏好程度，例如，用這個(gè)詞上的權(quán)重為 0.8，表示用戶對(duì)于游戲的喜好程度相當(dāng)高，因


本文編號(hào)：3609894