基于混合机制的新闻推荐系统研究

发布时间：2017-04-06 18:07

  本文关键词：基于混合机制的新闻推荐系统研究，，由笔耕文化传播整理发布。

【摘要】：随着电脑的普及和互联网的快速发展,人们获取信息的渠道越来越多,最终导致人们获取到的信息由最初的过分简单和单一,变成现如今的信息过分富足。面对庞大的信息量,人们想要精准快速的找到所需变得特别困难。为了解决这一问题,首先出现的是搜索技术。搜索技术带来的新问题是无法提供可定制化的服务,反馈结果的精确性也有待提高,在这种背景下,推荐技术出现了,与搜索技术相比,推荐技术最显著的特征就是可以提供定制化服务。目前,推荐技术被应用于各个领域,比如商品推荐、广告推荐、新闻推荐等。传统的推荐系统一般采用两种推荐算法:协同过滤推荐算法和基于内容的推荐算法。这两种算法均存在不足,协同过滤推荐算法存在的两个明显问题:冷启动问题和随着矩阵增大带来的评分矩阵稀疏性问题;基于内容的推荐算法需要进行大量的文本计算,为了规避两种算法的缺点,最大限度发挥两种算法的优势,本文提出了混合推荐算法思想,目的在于充分利用两种推荐算法的优势,为用户提供更个性化和可定制的推荐服务。本文的工作从以下几个方面展开:首先对本领域的相关研究工作进行了较全面的总结与分析,重点研究基于内容推荐的相关计算算法和基于协同过滤推荐的相关计算算法,以及利用这些算法如何实现推荐系统。研究新闻推荐算法中新闻主题词提取的相关理论和算法。针对协同过滤算法存在的矩阵稀疏性和冷启动问题,研究如何将多种过滤算法混合形成高效的混合推荐算法。利用混合的相关知识,设计和实现了本文的新闻推荐系统,并对系统算法的有效性进行评测。
【关键词】：新闻推荐 个性化推荐 混合推荐 协同过滤 主题词提取
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要4-5
• ABSTRACT5-8
• 第1章 绪论8-13
• 1.1 课题背景及研究的目的和意义8-9
• 1.2 国内外研究现状9-11
• 1.3 本文的研究内容和组织结构11-13
• 第2章 推荐系统相关理论13-23
• 2.1 协同过滤推荐算法13-17
• 2.1.1 基于用户的协同过滤算法13-15
• 2.1.2 用户相似度计算的改进15
• 2.1.3 基于项目的协同过滤推荐算法15-16
• 2.1.4 两种协同过滤推荐算法比较16-17
• 2.2 基于内容的推荐算法17-19
• 2.3 评测指标19-22
• 2.3.1 预测准确度19-20
• 2.3.2 分类准确度20-21
• 2.3.3 覆盖率21
• 2.3.4 用户满意度21-22
• 2.3.5 多样性22
• 2.4 本章小结22-23
• 第3章 基于局部特征和自聚类的主题词提取23-32
• 3.1 引言23
• 3.2 主题词提取23-28
• 3.2.1 分词和词性标注24
• 3.2.2 重复串频统计24-25
• 3.2.3 强噪声词过滤25
• 3.2.4 根据位置信息的成词概率比值过滤25-26
• 3.2.5 基于置信度的噪声过滤26
• 3.2.6 基于自聚类的过滤26-27
• 3.2.7 基于全局特征的主题词排序27-28
• 3.3 主题词提取评测28-30
• 3.3.1 实验数据选取说明28-29
• 3.3.2 实验过程及结果29-30
• 3.3.3 实验分析30
• 3.4 本章小结30-32
• 第4章 新闻混合推荐策略及系统设计和实现32-48
• 4.1 基于群推荐的混合策略32-33
• 4.2 推荐模块设计33-34
• 4.3 推荐模块实现34-41
• 4.3.1 用户profile信息抽取35-36
• 4.3.2 新闻profile信息抽取36-37
• 4.3.3 三种模型组成的推荐模型池37-38
• 4.3.4 新闻过滤38-40
• 4.3.5 热门新闻降权及兴趣、时间修正算法40-41
• 4.4 系统评测41-45
• 4.5 新闻推荐系统整体功能介绍45-47
• 4.5.1 全部功能概览46
• 4.5.2 公告管理模块46
• 4.5.3 用户管理模块46
• 4.5.4 新闻阅读模块46-47
• 4.5.5 兴趣管理模块47
• 4.6 本章小结47-48
• 总结与展望48-50
• 参考文献50-54
• 致谢54-55
• 个人简历55

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q

本文编号：289370