基于改进的隐马尔可夫模型的新闻推荐算法*

张 丹 周从华

（江苏大学计算机科学与通信工程学院 镇江 212013）

1 引言

随着移动设备的日益普及和互联网的迅猛发展，人们越来越习惯于通过电脑或智能手机阅读新闻。各种新闻网站为用户提供在线新闻服务，但是面对成千上万篇新闻可供选择，人们很难快速地从中找到自己下一时刻将要阅读的新闻。这时新闻推荐系统应运而生。

传统的新闻推荐算法通常是分别对用户和新闻建立模型，再进行相似度计算，然后进行匹配排序，将用户有可能感兴趣的新闻按兴趣值从大到小推荐给他。可是传统的新闻推荐算法有着数据稀疏以及冷启动问题。过去有些学者将时间特征融合到新闻推荐算法中［1～2］。以此来证明用户的兴趣是随着时间的推移而改变的。但是，很少有人考虑到时间序列特征，而用户阅读新闻时一般是以时间序列的形式［3］，文献中提出了一种基于改进的协同过滤时间序列推荐算法，在协同过滤算法中考虑时间序列，但是它不可避免地也有着协同过滤中的数据稀疏性和冷启动问题。隐马尔可夫模型主要用于处理时间序列特征，即样本之间有时间序列关系的数据，所以本文利用隐马尔可夫模型来着重预测用户在特定新闻之后将要阅读的下一篇新闻，用户下一篇将要阅读的新闻只与当前阅读的新闻有关，与之前的行为都无关。这样就有效缓解了数据稀疏和冷启动问题。在此基础上，本文引入了状态驻留时间元素，来表明在此状态中停留的时长，提高了推荐的准确度。……