隨著互聯(lián)網(wǎng)與智能手機的快速發(fā)展和普及,閱讀在線農(nóng)業(yè)新聞成為人們獲取農(nóng)業(yè)信息的重要途徑。然而,互聯(lián)網(wǎng)引發(fā)的“信息過載”問題嚴(yán)重制約人們獲取農(nóng)業(yè)信息的有效性和及時性。個性化推薦系統(tǒng)是解決“信息過載”問題的重要途徑之一。盡管現(xiàn)有的個性化推薦研究取得了顯著成果,但仍具有一定的局限性,例如,稀疏數(shù)據(jù)、農(nóng)業(yè)新聞數(shù)據(jù)情感標(biāo)識與分類不準(zhǔn)確導(dǎo)致的冷啟動、低推薦質(zhì)量等問題。于是,本文針對“如何基于情感推薦高質(zhì)量、個性化農(nóng)業(yè)新聞”進(jìn)行研究,具體研究內(nèi)容如下:(1)基于“聯(lián)合情感-主題模型(Joint Sentiment-Topic Model,JST)”的農(nóng)業(yè)新聞情感分類研究。首先,驗證JST模型應(yīng)用于農(nóng)業(yè)新聞數(shù)據(jù)的可行性。然后,結(jié)合農(nóng)業(yè)領(lǐng)域的獨特性,創(chuàng)建農(nóng)業(yè)新聞?wù)?fù)面情感詞典,提高情感分類的精準(zhǔn)性。最后,融合農(nóng)業(yè)先驗知識改進(jìn)JST模型,實現(xiàn)農(nóng)業(yè)新聞的高精準(zhǔn)自動情感分類。(2)農(nóng)業(yè)新聞個性化推薦算法研究。通過觀察發(fā)現(xiàn),共同喜歡冷門或高專業(yè)性項目的用戶之間的相似性要高于共同喜歡高熱度項目的用戶之間的相似性。因此,基于用戶屬性和項目類型屬性構(gòu)建用戶興趣模型,引入熱點因子,提出基于熱度的相似度算法L-HUMCF,提...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１?ＰＬＳＡ文本生成過程??

（６）?表示在主題ｈ下生成詞語ｖｖ，的概率，如公式２－２所示；??（７）?ＰｆｗＵ表示在給定文檔（／，？中詞語ｗ，．出現(xiàn)的概率，如公式２－３所示；??，），；，雄《中猶司??文Ｈ相箱新有輯司?（２．〇??主題Ｇ對應(yīng)到Ｆ中的第ｆ?zhèn)�單詞出現(xiàn)的次數(shù)??＝?主題Ｌ下所有單詞的個數(shù)?（２．....

圖２－２?ＬＤＡ文本生成過程??Ｆｉ２－２?ＬＤＡ?ｔｅｘｔｅｎｅｒａｔｉｏｎｒｏｃｅｓｓ??

０＾０???Ｄｊ??Ｋ??圖２－２?ＬＤＡ文本生成過程??Ｆｉｇ?２－２?ＬＤＡ?ｔｅｘｔ?ｇｅｎｅｒａｔｉｏｎ?ｐｒｏｃｅｓｓ??２．３推薦技術(shù)??網(wǎng)絡(luò)的發(fā)展和普及給用戶帶來了龐大的數(shù)據(jù)信息，雖然滿足了用戶對數(shù)據(jù)信息的??需求，但信息過載現(xiàn)象卻伴隨出現(xiàn)了，推薦系統(tǒng)通過顯式或者隱....

圖３－１ＪＳＴ模型框架圖??－

Ｃｐ?Ｃｐ??（工戶?）?Ｄ??Ｉ?ｌ?」?５＿??圖３－１ＪＳＴ模型框架圖??Ｆｉｇ?３－１?ＪＳＴ?ｍｏｄｅｌ?ｄｉａｇｒａｍ??ＪＳＴ模型的基本思想：假如語料庫Ｃ中的有ＴＶ篇文檔，即Ｃｓ／Ｚ＾Ｄ＾．Ｚ＾ｙ，而??這ｙｖ篇文檔中的每一篇均由Ｈ個詞組成，如將Ｎ篇文檔中所有??詞....

圖３－３處理后的農(nóng)業(yè)新聞數(shù)據(jù)??

一個爬蟲算法的指標(biāo)，好的爬蟲算法能提高爬蟲速度，節(jié)約用戶時間。本文爬蟲程序??用ｐｙｔｈｏｎ語言進(jìn)行編寫，獲取對應(yīng)的網(wǎng)頁后，本文又通過正則表達(dá)式對這些網(wǎng)頁進(jìn)??行解析，從而獲取最終供本文使用的數(shù)據(jù)。如圖３－２所示爬取的部分農(nóng)業(yè)新聞數(shù)據(jù)。??２０１８女敢新翌月匕科置狀約爾傅覓貧?２....

本文編號：4033231