个性化新闻事件推荐系统的研究与实现

发布时间：2017-03-27 14:12

  本文关键词：个性化新闻事件推荐系统的研究与实现，由笔耕文化传播整理发布。

【摘要】：网络普及带动了新闻产业的变革,网络新闻成为公众获取实时资讯的重要方式之一。可是面对海量的网络新闻,公众往往很难快速定位自己感兴趣的新闻。基于此,新闻事件发现技术应运而生,它能够从互联网中挖掘出热点话题,帮助用户了解当前热点;个性化推荐技术可以根据用户的行为习惯,挖掘其兴趣点,从而向用户推荐其可能感兴趣的新闻。当前,事件发现技术及个性化推荐技术在信息领域均获得普遍应用,但是,事件发现技术挖掘出的热点话题并不一定是每一个用户都感兴趣的;个性化推荐技术只能完成单一新闻的推荐功能,并不能把用户感兴趣的事件推荐给用户。基于此,本文提出一种个性化新闻事件推荐方法,将新闻事件发现技术与个性化推荐技术融为一体,该方法能够挖掘出新闻事件,并为用户进行个性化推荐。本次课题研究的主要工作列述如下:(1)实现一种基于融合模型的改进层次聚类算法。在计算新闻间相似度时,该算法基于TF-IDF的VSM模型与基于LDA主题模型按一定比例加权求和的方式进行相似度计算;在计算簇间距离时,该算法引入簇中心距离与簇间新闻最远距离,使得这一算法在计算簇间距离时更加准确。实证研究结果显示,本文所提算法与传统层次聚类算法相比,显著提升了准确率。(2)实现一种基于混合推荐的新闻事件推荐算法。该算法采用两种方式建立用户的兴趣模型,其一根据事件的多重特征以及用户的行为习惯构建目标用户的兴趣模型,其二根据用户浏览的新闻标题建立用户基于LDA主题模型的兴趣模型;然后,基于VSM模型与LDA主题模型按一定比例加权求和的方式计算不同用户间的相似度,得到目标用户的邻居用户集合,以集合中用户的共同偏好,来挖掘目标用户的兴趣点,最后,向目标用户推荐其可能感兴趣的新闻事件。通过本文的实验证明,该算法具有较高的准确率和召回率。(3)依据现实需求,本文开发出个性化新闻事件推荐系统。实证研究表明,本系统基本可以实现新闻事件发现以及新闻事件推荐的预设功能目标,运行稳定、高效。
【关键词】：LDA主题模型 层次聚类 新闻事件 用户兴趣模型 推荐系统
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-5
• Abstract5-10
• 第1章 绪论10-16
• 1.1 研究背景和意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 事件发现技术的研究现状11-12
• 1.2.2 个性化推荐技术的研究现状12-13
• 1.3 论文的研究目标和主要工作13-14
• 1.3.1 任务目标13
• 1.3.2 难点分析13-14
• 1.3.3 解决方案14
• 1.4 论文的结构安排14-16
• 第2章 关键技术介绍16-24
• 2.1 事件发现技术16-18
• 2.1.1 特征词选择16-17
• 2.1.2 聚类算法17-18
• 2.2 用户兴趣模型介绍18-19
• 2.3 个性化推荐方法19-23
• 2.3.1 基于内容的推荐19-20
• 2.3.2 协同过滤推荐20-22
• 2.3.3 混合推荐22-23
• 2.4 本章小结23-24
• 第3章 基于融合模型的改进层次聚类算法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主题模型25-29
• 3.2 文本相似度计算29-32
• 3.2.1 常用距离计算方法29-30
• 3.2.2 本文使用的方法30-32
• 3.3 改进的层次聚类算法32-36
• 3.3.1 传统层次聚类算法存在的问题33-34
• 3.3.2 改进的层次聚类算法描述34-36
• 3.4 基于簇信息的事件特征计算36-37
• 3.5 本章小结37-38
• 第4章 基于混合推荐的新闻事件推荐算法38-48
• 4.1 新闻事件模型38
• 4.1.1 新闻事件模型的表示38
• 4.2 用户兴趣模型38-42
• 4.2.1 基于事件的用户兴趣模型39-41
• 4.2.2 基于LDA主题模型的用户兴趣模型41-42
• 4.3 个性化推荐算法42-47
• 4.3.1 传统推荐算法现存问题43
• 4.3.2 本文推荐算法的总体设计43-45
• 4.3.3 本文推荐策略的详细方案45-47
• 4.4 本章小结47-48
• 第5章 个性化新闻事件推荐系统的设计与实现48-56
• 5.1 系统需求分析48
• 5.2 系统总体设计48-49
• 5.2.1 系统架构图48-49
• 5.3 系统详细设计49-55
• 5.3.1 数据采集模块50-51
• 5.3.2 数据存储模块51-52
• 5.3.3 数据预处理模块52-53
• 5.3.4 新闻聚类模块53-54
• 5.3.5 事件推荐模块54-55
• 5.4 本章小结55-56
• 第6章 实验结果与分析56-66
• 6.1 实验运行环境56
• 6.2 针对新闻聚类的功能测试56-60
• 6.2.1 实验数据56
• 6.2.2 评价指标56-57
• 6.2.3 实验结果分析57-60
• 6.3 针对新闻推荐的功能测试60-65
• 6.3.1 实验数据60
• 6.3.2 评价指标60-61
• 6.3.3 实验结果分析61-65
• 6.4 本章小结65-66
• 结论与展望66-68
• 参考文献68-72
• 攻读硕士学位期间发表的学术论文72-74
• 致谢74

【相似文献】

中国期刊全文数据库 前10条

1 米可菲;张勇;邢春晓;蔚欣;;面向大数据的开源推荐系统分析[J];计算机与数字工程;2013年10期

2 脱建勇;王嵩;李秀;刘文煌;;精品课共享中的推荐系统框架与实现[J];计算机工程与设计;2006年17期

3 苏冠贤;张丽霞;林丕源;刘吉平;;生物信息学推荐系统的设计与实现[J];计算机应用研究;2007年05期

4 王改芬;;推荐系统研究综述[J];软件导刊;2007年23期

5 叶群来;;营销与网络推荐系统[J];电子商务;2007年10期

6 李媚;;个性化网络学习资源推荐系统研究[J];福建电脑;2008年12期

7 潘冉;姜丽红;;基于经济学模型的推荐系统的研究[J];计算机应用与软件;2008年03期

8 刘鲁;任晓丽;;推荐系统研究进展及展望[J];信息系统学报;2008年01期

9 刘小燕;陈艳丽;贾宗璞;沈记全;;基于增强学习的旅行计划推荐系统[J];计算机工程;2010年21期

10 曹畋;;智能推荐系统在知识浏览领域的应用[J];硅谷;2011年21期

中国重要会议论文全文数据库 前8条

1 张燕;李燕萍;;基于内容分析和点击率记录的混合音乐推荐系统[A];2009年通信理论与信号处理学术年会论文集[C];2009年

2 赵欣;寇纲;邬文帅;卢艳群;;基于时间密集性的推荐系统攻击检测[A];第六届（2011）中国管理学年会论文摘要集[C];2011年

3 张玉连;张波;张敏;;改进的个性化信息推荐系统的设计与实现[A];2005年全国理论计算机科学学术年会论文集[C];2005年

4 王君;许洁萍;;层次音乐推荐系统的研究[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

5 潘宇;林鸿飞;杨志豪;;基于用户聚类的电子商务推荐系统[A];第三届学生计算语言学研讨会论文集[C];2006年

6 尤忠彬;陈越;张英;朱扬勇;;基于Web服务的技术转移平台推荐系统研究[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

7 王国霞;刘贺平;李擎;;二部图影射及其在推荐系统中的应用[A];第25届中国控制与决策会议论文集[C];2013年

8 王雪;董爱华;吴怡之;;基于RFID技术的智能服装推荐系统设计[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

中国重要报纸全文数据库 前2条

1 ;大数据如何“落地”[N];中国新闻出版报;2014年

2 本报记者 邹大斌;大数据：电商新武器[N];计算机世界;2012年

中国博士学位论文全文数据库 前10条

1 周魏;推荐系统中基于目标项目分析的托攻击检测研究[D];重庆大学;2015年

2 田刚;融合维基知识的情境感知Web服务发现方法研究[D];武汉大学;2015年

3 胡亮;集成多元信息的推荐系统建模方法的研究[D];上海交通大学;2015年

4 王宏宇;商务推荐系统的设计研究[D];中国科学技术大学;2007年

5 杨东辉;基于情感相似度的社会化推荐系统研究[D];哈尔滨工业大学;2014年

6 曹渝昆;基于神经网络和模糊逻辑的智能推荐系统研究[D];重庆大学;2006年

7 王立才;上下文感知推荐系统若干关键技术研究[D];北京邮电大学;2012年

8 刘龙;一个能实现个性化实时路径推荐服务的推荐系统框架[D];中国科学技术大学;2014年

9 李涛;推荐系统中若干关键问题研究[D];南京航空航天大学;2009年

10 刘士琛;面向推荐系统的关键问题研究及应用[D];中国科学技术大学;2014年

中国硕士学位论文全文数据库 前10条

1 朱孔真;基于云计算的电子商务智能推荐系统研究[D];武汉理工大学;2014年

2 郭敬泽;基于赋权评分和Dpark的分布式推荐系统研究与实现[D];天津理工大学;2015年

3 周俊宇;信息推荐系统的研究与设计[D];江南大学;2015年

4 李炜;基于电子商务平台的保险推荐系统的设计与实现[D];复旦大学;2013年

5 车丰;基于排序主题模型的论文推荐系统[D];大连海事大学;2015年

6 秦大路;基于因式分解机模型的上下文感知推荐系统研究[D];郑州大学;2015年

7 徐霞婷;动态路网监控与导航推荐系统的设计与实现[D];苏州大学;2015年

8 黄学峰;基于Hadoop的电影推荐系统研究与实现[D];南京师范大学;2015年

9 路小瑞;基于Hadoop平台的职位推荐系统的设计与实现[D];上海交通大学;2015年

10 李爱宝;基于组合消费行为分析的团购推荐系统的设计与实现[D];哈尔滨工业大学;2015年

  本文关键词：个性化新闻事件推荐系统的研究与实现，由笔耕文化传播整理发布。

，

本文编号：270523