發(fā)布時間：2018-04-08 19:15

  本文選題：新聞推薦　切入點：推薦系統(tǒng)　出處：《北京交通大學》2017年碩士論文

【摘要】：信息的指數(shù)爆炸帶來了信息過載問題,從而產(chǎn)生了分類目錄技術和搜索引擎技術,然而分類目錄只能覆蓋熱門分類,搜索引擎只能由用戶主動輸入關鍵詞檢索信息,于是個性化新聞推薦系統(tǒng)應運而生。單一的算法很難從多個角度為用戶進行推薦,易導致推薦結果多樣性欠缺。為提高推薦的準確率和多樣性,本文就目前已有的推薦算法展開研究,結合傳統(tǒng)的推薦技術設計了混合加權的新聞推薦策略,將基于內(nèi)容的推薦算法和基于用戶的協(xié)同過濾算法按不同權重進行加權混合,使之達到取長補短的目的,提高了推薦結果的準確性,更好的為用戶進行個性化的新聞推薦。本文將新聞內(nèi)容建模、用戶興趣建模和混合算法建模三部分作為推薦系統(tǒng)的核心內(nèi)容。對于新聞內(nèi)容建模,首先介紹了新聞文本預處理的相關理論,針對新聞內(nèi)容的特點,采取線性加權的方式進行新聞關鍵詞的提取,并使用支持向量機實現(xiàn)了對新聞的分類;對于用戶興趣建模,通過對用戶行為日志的收集,分析用戶的新聞瀏覽偏好,進而完成對用戶興趣模型的建立與更新;對于混合算法建模,基于內(nèi)容的推薦算法主要通過計算新聞內(nèi)容向量和用戶興趣向量的夾角余弦相似度確定新聞推薦列表,基于用戶的協(xié)同過濾算法通過建立用戶相似度矩陣來推薦相似用戶喜歡的新聞,然后將兩者召回的結果按不同權值進行加權混合,并通過多次訓練得出加權效果最好的權值比,確保推薦系統(tǒng)的準確性。另外還設置了新聞時間閥值,對推薦返回的結果進行適當過濾,在一定程度上保障了推薦結果的時效性。論文首先通過介紹系統(tǒng)的背景意義及國內(nèi)外研究現(xiàn)狀確立了基本工作內(nèi)容,然后就典型推薦算法進行詳細描述,分析了系統(tǒng)需求。針對新聞推薦系統(tǒng)數(shù)據(jù)規(guī)模大、用戶興趣時效性高等需求,構建了本系統(tǒng),勾勒出實時新聞推薦系統(tǒng)的框架,然后敘述了推薦系統(tǒng)的總體設計,并對系統(tǒng)的架構及關鍵模塊的實現(xiàn)過程進行了詳細分析,為用戶提供了更加個性化、實時化的新聞推薦。
[Abstract]:The exponential explosion of information brings about the problem of information overload, which leads to the classification catalogue technology and search engine technology. However, the classified directory can only cover the popular classification, and the search engine can only input the keyword information actively by the user.So personalized news recommendation system came into being.It is difficult for a single algorithm to recommend users from multiple angles, which leads to the lack of diversity of recommendation results.In order to improve the accuracy and diversity of recommendation, this paper studies the existing recommendation algorithms and designs a mixed weighted news recommendation strategy combined with traditional recommendation technology.The content-based recommendation algorithm and the user-based collaborative filtering algorithm are weighted according to different weights to achieve the purpose of complementing each other, improving the accuracy of the recommendation results and making personalized news recommendations for usersIn this paper, news content modeling, user interest modeling and hybrid algorithm modeling are taken as the core contents of recommendation system.For news content modeling, this paper first introduces the relevant theory of news text preprocessing, according to the characteristics of news content, adopts the method of linear weighting to extract news keywords, and uses support vector machine to realize the classification of news.For user interest modeling, through collecting user behavior log, analyzing user's news browsing preference, and then completing the establishment and updating of user interest model; for hybrid algorithm modeling,The content-based recommendation algorithm determines the news recommendation list by calculating the angle cosine similarity between the news content vector and the user's interest vector.Based on the user collaborative filtering algorithm, the user similarity matrix is established to recommend the news that similar users like, and then the recall results are weighted and mixed according to different weights, and the weight value ratio with the best weighting effect is obtained through multiple training.Ensure the accuracy of the recommendation system.In addition, the news time threshold is set and the recommended return results are filtered properly to ensure the timeliness of the recommended results to a certain extent.This paper first introduces the background significance of the system and the current research situation at home and abroad to establish the basic work content, then describes the typical recommendation algorithm in detail, and analyzes the system requirements.Aiming at the large scale of news recommendation system and the high demand of user interest, this paper constructs the system, outlines the frame of the real-time news recommendation system, and then describes the overall design of the recommendation system.The architecture of the system and the implementation process of the key modules are analyzed in detail, which provides users with more personalized and real-time news recommendation.
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.3

【參考文獻】

相關期刊論文 前9條

1 王慶福;;推薦系統(tǒng)架構設計研究[J];信息通信;2016年07期

2 劉楊;楊明川;;推薦引擎原理及發(fā)展綜述[J];電信技術;2015年06期

3 李瓊;陳利;;一種改進的支持向量機文本分類方法[J];計算機技術與發(fā)展;2015年05期

4 黎佳;;淺談中文切詞算法[J];軟件;2013年07期

5 孫雨生;劉偉;仇蓉蓉;黃傳慧;;國內(nèi)用戶興趣建模研究進展[J];情報雜志;2013年05期

6 陸麗;;需求分析在軟件開發(fā)過程中的重要性[J];電腦知識與技術;2012年21期

7 夏建勛;;基于用戶的協(xié)同過濾推薦技術[J];商場現(xiàn)代化;2009年09期

8 李書寧;互聯(lián)網(wǎng)信息環(huán)境中信息超載問題研究[J];情報科學;2005年10期

9 代六玲,黃河燕,陳肇雄;中文文本分類中特征抽取方法的比較研究[J];中文信息學報;2004年01期

相關碩士學位論文 前4條

1 陳恭泳;個性化混合推薦算法及應用研究[D];中央民族大學;2016年

2 王星星;基于網(wǎng)絡熱點的個性化情報推薦系統(tǒng)設計與實現(xiàn)[D];華中師范大學;2014年

3 曹昱翔;智慧商圈中基于個性化建模的混合推薦技術的研究與實現(xiàn)[D];上海交通大學;2014年

4 李春城;個性化推薦系統(tǒng)在牛贊網(wǎng)中的應用[D];電子科技大學;2013年

，

本文編號：1722992