聪明文档网
最新最全的文档下载
当前位置：
首页> 个性化新闻推荐算法比较研究
个性化新闻推荐算法比较研究
时间：2023-02-04 10:52:01 下载该word文档
龙源期刊网http://www.qikan.com.cn个性化新闻推荐算法比较研究作者：侯烨炜来源：《科技视界》2014年第32期0引言近年来，随着互联网技术的迅速发展，内容的发布和传播开始越来越容易。网络资源不断丰富，网络数据量不断增长。然而，这在给网络用户获取信息带来方便的同时也造成了信息过载问题，即受众将信息资料转化为自身知识的过程中存在瓶颈障碍而无法有效吸纳，大量无关的冗余数据信息严重干扰了用户对有用信息的精确选择，人们在海量数据中想找到自己需要的信息将越来越难。而传统的搜索在用户并不明确自己的需要或需要更符合个人喜好的结果时，并不能完全满足用户的需求。中国互联网络信息中心2013年7月份发布的统计报告显示：我国上网用户数量达到3.84亿，占人口总数的29%以上，其中超过80%网络用户使用网络新闻资讯服务。可以看出，新闻资讯类网站在互联网占据了举足轻重的地位。然而，大量的新闻资讯网站在为网络用户提供充足信息的同时，也产生了新的问题。新闻类网站由于成本、版面等限制，对新闻资讯只能大致的分类，而用户的偏好往往是很细化的，如部分用户只关注本地新闻中的热点新闻，在热点新闻中只关注深度报道，而对市井八卦类新闻不感兴趣。而新闻在分类版块中对用户无差别的呈现使得用户较难寻找自己感兴趣的新闻，得不到良好的使用体验。个性化推荐技术被认为是能够有效的解决上述问题的方法之一。个性化推荐能够通过收集用户的兴趣喜好，建立独立的用户模型，并以此为依据向用户推荐用户感兴趣的内容。个性化新闻推荐系统就是将个性化推荐技术应用于新闻信息的推荐上，通过收集用户对哪些方面类型新闻的偏好，帮助用户轻松获取感兴趣的新闻资讯，并发掘用户可能感兴趣的内容，并且不需要用户花费时间去寻找，可以节约大量的时间。此外网站还可以基于用户模型深度挖掘用户的其他方面的偏好，并制定精准的广告投放。1个性化新闻推荐系统个性化推荐的概念自20世纪90年代被提出，伴随着Web2.0技术的成熟而迅速发展，如今已经被深入研究并在电子商务和社交网络等领域获得广泛的应用。Amazon是较早将推荐系统应用于电商领域的网站，它通过收集用户的心愿单，浏览记录，购买记录，用户对物品评价等信息得出用户喜好，并在之后用户访问网站时为用户推荐合适的物品，给用户提供了良好的浏览体验。据相关机构统计，Amazon20%到30%的销售额来自其推荐系统。
龙源期刊网http://www.qikan.com.cn个性化推荐技术在新闻推荐方面的应用国外已经做了不少尝试，如Findory、Digg、Topix.net、Reddit等。其中，Reddit作为美国最火的社交新闻网站，2012年的独立访客超过4000万人，页面浏览量达到370亿次，13年融资时估值达4亿美元。在国内，百度也开始计划引入个性化推荐技术到新闻搜索等垂直搜索产品。2推荐算法分类个性化推荐系统根据推荐算法一般分为以下几类：基于内容的推荐，基于协同过滤的推荐，基于知识的推荐和混合的推荐机制。2.1基于内容的推荐基于内容的推荐在推荐系统出现时应用最广，其核心思想是根据物品或内容的元数据，发现内容之间的相关性，再根据用户的历史喜好，推荐其他类似属性的内容给用户。这种推荐机制的优点是它能处理新用户和新物品的“冷启动”问题;不受评分数据稀疏性问题影响;得益于文本处理技术的成熟，对文本内容的推荐有较大优势。但它也存在以下问题：需对物品分析建模;物品相似度只依赖物品自身特征，推荐物品多样性较差;对多媒体数据的内容特征提取较困难。2.2协同过滤协同过滤推荐技术是是推荐系统中最成功的一种技术，目前有大量针对该类别的论文研究。协同过滤的基本原理是，根据所有用户对物品或内容的偏好，发现与当前用户偏好相似的相邻用户集，再基于这些邻居的历史偏好为当前用户进行推荐。基于协同过滤的推荐系统有以下优点：用户偏好数据收集是从用户浏览、购买等隐性数据中得来的，不需要用户主动提交相关信息，因此它不需要对物品或用户进行严格的建模;此外，这种方法计算出来的推荐是开放的，共用其他用户的经验，有效挖掘用户潜在的兴趣偏好。但同时，它也面临不少问题，如对新用户和新物品的“冷启动”问题，评分数据稀疏性问题，算法灵活性问题等。2.3混合推荐基于内容推荐和协同推荐虽然能对推荐结果做个性化处理，但在不同应用环境下效果还是各有不同，依然有各自的局限性。因此，目前很多推荐系统都倾向于将几种推荐算法混合使用，这种方法可以结合不同算法和模型的优势，产生更符合用户需要，更精确的推荐。混合的方法有好几种，可以先使用协同过滤算法和基于内容的推荐算法各自得出推荐结果，再将结果用线性公式按权重予以组合，得出最终推荐结果;也可以先用一种算法产生初始推荐结果，再将此结果输入另一个算法，产生最终的推荐项目，即分层机制。3算法比较
龙源期刊网http://www.qikan.com.cn各类推荐方法都有其各自的优、缺点，针对不同的数据集，效果也有所不同。每种方法因为算法本身的特征可能不适合在所有数据集上作推荐。如在基于内容的推荐方法中，自动化的特征提取方法很难应用于多媒体数据，即使在容易提取特征的文本数据的情况下，也无法仅仅通过词频统计的方式区分文档质量。除此之外，为用户推荐的内容仪限于与该用户曾经选择的对象相似的对象，结果多样性差。而对于没有选择过任何对象的新用户，推荐尤其困难。协同过滤的方法从某种程度上克服了基于内容方法自动化程度低、推荐结果不丰富等弊端。而协同过滤是基于已有历史数据集，因而存在数据稀疏和冷启动问题。在冷启动方面，由于协同过滤是依靠人与人之间选择内容的相似度进行推荐的，因此对于新用户由于无法获取他们的兴趣偏好而无法得到推荐，而新的项目由于没有用户评价也产生不了推荐。此外由于实际环境中会存在这样一种情况，即用户数量巨大，而用户一般只评价少部分项目，因此评价矩阵会比较稀疏。基于知识的推荐是一种静态的推荐方法，不存在冷启动和稀疏问题，但知识很难建模。组合推荐策略由于组合方式不同，其性能特点差异很大，本文不做讨论。4结束语在当今这个信息爆炸的时代，如何让用户更快的找到想要的数据，如何让用户发现自己的兴趣，已成为许多企业关注的问题，一个优秀的新闻推荐系统会使用户对该新闻网站产生依赖.建立长期稳定的关系，提高用户黏着度，防止用户流失，新闻网站也能利用推荐系统挖掘用户的兴趣的，有针对性的做营销与精准广告投放，创造新的盈利点。【参考文献】[1]曾春，邢春晓，周立柱.个性化服务技术综述[J].软件学报，2002，13（10）：1952-1961.[2]刘建国，周涛，汪秉宏.个性化推荐系统的研究进展[J].自然科学进展，2009，19（1）：1-15.[3]KazienkoEWeb.basedrecommendersystemsandusgrneedS.thecomprehensiveview[C]//Proceedingofthe2008ConferenceonNewTrendsinMultimediaandNetworkInformationSystcms.Amsterdam，Netherlands：lOSPress，2008：243-258.[4]邓爱林，朱扬勇，施伯乐.基于项目评分预测的协同过滤推荐算法[J].软件学报，2003，14（9）：1621-1628.[5]王国霞，刘贺平.个性化推荐系统综述