基于Python的新闻个性化推荐系统优化与实现
发布时间：2021-03-10 17:47
智能推荐随着互联网的飞速发展已经成为日常生活中不可或缺的技术,人们越来越习惯于通过手机在线阅读来了解新闻热点。然而各种网络新闻每天都在以亿万计的数量递增,且每个人都有自己的兴趣爱好和阅读习惯;那么在如此庞大数量的新闻消息中,如何让用户及时浏览到自己感兴趣的新闻消息,成为当前大数据行业研究的热点。媒体企业希望通过相关大数据算法结合用户的行为数据与新闻的文本主题信息来给用户做个性化推荐。本论文根据市场上新闻智能推荐系统的技术难点及系统弱点,改进并设计出一套新闻个性化智能推荐系统。首先,根据以往新闻推荐系统难以掌握用户实时准确的兴趣爱好这一难点出发,通过改进设计,采用从多角度采集用户行为数据这一重要环节:改进一,系统结合相关机器学习算法,通过分析企业从用户手机端获取的用户日常行为数据,得到用户特征画像;改进二,通过分析用户实时阅读行为数据,预测用户实时兴趣爱好;系统最后结合用户画像和用户实时兴趣爱好进行推荐。其次,系统将新闻网提供的实时新闻数据,利用先进文本处理算法并结合系统通过大量新闻训练出的主题模型,准确提取新闻主题类型,再结合用户的兴趣爱好,将用户感兴趣的新闻及时推荐给他们。最后,本系...
【文章来源】：景德镇陶瓷大学江西省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
推荐系统的基本任务是联系用户和新闻内容用户
（1）用户姓名和性别，年龄和职业，学历和收入等基本信息；（2）用户通过输入的关键词、主题；用户对自己喜欢的信息或不喜行标注等自己的主动提供的信息；（3）用户在阅读过程中对内容进行评论和分享，转载和收藏等还，数、浏览时间和频率等隐性信息[22]；（4）推进对象相关特点、属性。根据信息的特点，有些数据是稳定的，有些数据是变化的，如何通用户真正的兴趣爱好是本模块的难点。2.3 推荐对象模块推荐对象模块是根据推荐对象的特征建立对象特征模型，与需要推行比较，得出需要推荐的对象特征。2.3.1 推荐对象建模流程推荐对象建模过程如图 2.4 所示
图 2.5 基于用户的协同过滤过程该推荐方法主要工作是找到最近邻居并产生推荐；最近邻居寻找是这里的和最近邻居相似性越高就和目标用户越接近。所以用 sim（i，j）表示用户户 j 之间的相似性。用 m 维向量表示每个用户对推荐对象的评分，用不同向量间的相似度度量用户间的相似度，如图 2.6 所示。用户用户＋项目评价矩阵 寻找用户最近邻居对未评价项目评分寻找对象最近邻居推荐评分最高的若干个项目IB-CF 过程
【参考文献】：
期刊论文
[1]卷积神经网络概述[J]. 侯宇昆. 中国新通信. 2017(09)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]卷积神经网络的研究进展综述[J]. 杨斌,钟金英. 南华大学学报(自然科学版). 2016(03)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]基于全文检索的文本相似度算法应用研究[J]. 王格,吴钊,李向. 计算机与数字工程. 2016(04)
[6]社交网站用户兴趣模型研究[J]. 徐晓彤,胡松筠. 科技和产业. 2014(11)
[7]关联爆发主题模式挖掘方法研究综述[J]. 黄永文. 现代图书情报技术. 2012(10)
[8]LDA算法及其在人脸识别中的应用[J]. 谢永林. 计算机工程与应用. 2010(19)
[9]中文分词算法研究[J]. 刘件,魏程. 微计算机应用. 2008(08)
[10]网络用户信息获取语言使用行为研究[J]. 赖茂生,屈鹏. 现代图书情报技术. 2008(06)
博士论文
[1]社会化电子商务用户信息采纳过程及影响因素研究[D]. 耿荣娜.吉林大学 2017
[2]基于用户分解和社交融合的推荐算法研究[D]. 王智谨.华东师范大学 2016
[3]融合新闻采集与呈现[D]. 刘冰.山东大学 2015
[4]个性化信息推荐中若干关键问题与技术研究[D]. 殷风景.国防科学技术大学 2014
[5]基于面向对象思想和典型用户群组的个性化推荐方法研究[D]. 谭昶.中国科学技术大学 2014
[6]Web导航中用户认知特征及行为研究[D]. 王秀峰.南京大学 2013
[7]文本分类中词共现关系的研究及其应用[D]. 章舜仲.南京理工大学 2010
[8]基于内容相关度计算的文本结构分析方法研究[D]. 钟茂生.上海交通大学 2010
[9]我国网络传媒的文化产业经营研究[D]. 詹恂.四川大学 2005
硕士论文
[1]基于用户特征数据的内容推荐方法的研究与应用[D]. 曹建新.北方工业大学 2017
[2]实时新闻推荐系统的设计与实现[D]. 王珂.北京交通大学 2017
[3]基于主题模型与用户兴趣的个性化新闻推荐算法研究[D]. 司吉峰.西安电子科技大学 2015
[4]基于3G手机的个性化信息推荐系统的设计与实现[D]. 陈传敬.中国石油大学(华东) 2014
[5]基于用户情境的论坛个性化推荐模型研究[D]. 应中运.西南大学 2014
[6]信息无障碍移动推荐系统[D]. 邓涵.西南财经大学 2014
[7]Google和Yahoo的阿拉伯语搜索效果对比分析[D]. 孙舒.北京外国语大学 2013
[8]推荐系统中信息相似度的研究及其应用[D]. 高鹏.上海交通大学 2013
[9]基于Web的用户个性化服务研究[D]. 田凤珍.河北农业大学 2011
[10]基于Web2.0的个性化服务系统在电子商务中的应用研究[D]. 张欣悦.中南林业科技大学 2011
本文编号：3075029
【文章来源】：景德镇陶瓷大学江西省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
推荐系统的基本任务是联系用户和新闻内容用户
（1）用户姓名和性别，年龄和职业，学历和收入等基本信息；（2）用户通过输入的关键词、主题；用户对自己喜欢的信息或不喜行标注等自己的主动提供的信息；（3）用户在阅读过程中对内容进行评论和分享，转载和收藏等还，数、浏览时间和频率等隐性信息[22]；（4）推进对象相关特点、属性。根据信息的特点，有些数据是稳定的，有些数据是变化的，如何通用户真正的兴趣爱好是本模块的难点。2.3 推荐对象模块推荐对象模块是根据推荐对象的特征建立对象特征模型，与需要推行比较，得出需要推荐的对象特征。2.3.1 推荐对象建模流程推荐对象建模过程如图 2.4 所示
图 2.5 基于用户的协同过滤过程该推荐方法主要工作是找到最近邻居并产生推荐；最近邻居寻找是这里的和最近邻居相似性越高就和目标用户越接近。所以用 sim（i，j）表示用户户 j 之间的相似性。用 m 维向量表示每个用户对推荐对象的评分，用不同向量间的相似度度量用户间的相似度，如图 2.6 所示。用户用户＋项目评价矩阵 寻找用户最近邻居对未评价项目评分寻找对象最近邻居推荐评分最高的若干个项目IB-CF 过程
【参考文献】：
期刊论文
[1]卷积神经网络概述[J]. 侯宇昆. 中国新通信. 2017(09)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]卷积神经网络的研究进展综述[J]. 杨斌,钟金英. 南华大学学报(自然科学版). 2016(03)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]基于全文检索的文本相似度算法应用研究[J]. 王格,吴钊,李向. 计算机与数字工程. 2016(04)
[6]社交网站用户兴趣模型研究[J]. 徐晓彤,胡松筠. 科技和产业. 2014(11)
[7]关联爆发主题模式挖掘方法研究综述[J]. 黄永文. 现代图书情报技术. 2012(10)
[8]LDA算法及其在人脸识别中的应用[J]. 谢永林. 计算机工程与应用. 2010(19)
[9]中文分词算法研究[J]. 刘件,魏程. 微计算机应用. 2008(08)
[10]网络用户信息获取语言使用行为研究[J]. 赖茂生,屈鹏. 现代图书情报技术. 2008(06)
博士论文
[1]社会化电子商务用户信息采纳过程及影响因素研究[D]. 耿荣娜.吉林大学 2017
[2]基于用户分解和社交融合的推荐算法研究[D]. 王智谨.华东师范大学 2016
[3]融合新闻采集与呈现[D]. 刘冰.山东大学 2015
[4]个性化信息推荐中若干关键问题与技术研究[D]. 殷风景.国防科学技术大学 2014
[5]基于面向对象思想和典型用户群组的个性化推荐方法研究[D]. 谭昶.中国科学技术大学 2014
[6]Web导航中用户认知特征及行为研究[D]. 王秀峰.南京大学 2013
[7]文本分类中词共现关系的研究及其应用[D]. 章舜仲.南京理工大学 2010
[8]基于内容相关度计算的文本结构分析方法研究[D]. 钟茂生.上海交通大学 2010
[9]我国网络传媒的文化产业经营研究[D]. 詹恂.四川大学 2005
硕士论文
[1]基于用户特征数据的内容推荐方法的研究与应用[D]. 曹建新.北方工业大学 2017
[2]实时新闻推荐系统的设计与实现[D]. 王珂.北京交通大学 2017
[3]基于主题模型与用户兴趣的个性化新闻推荐算法研究[D]. 司吉峰.西安电子科技大学 2015
[4]基于3G手机的个性化信息推荐系统的设计与实现[D]. 陈传敬.中国石油大学(华东) 2014
[5]基于用户情境的论坛个性化推荐模型研究[D]. 应中运.西南大学 2014
[6]信息无障碍移动推荐系统[D]. 邓涵.西南财经大学 2014
[7]Google和Yahoo的阿拉伯语搜索效果对比分析[D]. 孙舒.北京外国语大学 2013
[8]推荐系统中信息相似度的研究及其应用[D]. 高鹏.上海交通大学 2013
[9]基于Web的用户个性化服务研究[D]. 田凤珍.河北农业大学 2011
[10]基于Web2.0的个性化服务系统在电子商务中的应用研究[D]. 张欣悦.中南林业科技大学 2011
本文编号：3075029
本文链接：https://www.wllwen.com/xinwenchuanbolunwen/3075029.html
