基于高效用项集挖掘和词义归纳的新闻推荐系统

朱 亚 进

(常州交通技师学院 江苏 常州 213147)

0 引 言

随着移动互联网的蓬勃发展，人们每天花费大量的时间观看互联网的各种信息，其中新闻是一种影响巨大的信息内容[1]。每天产生大量各种类型的新闻，并且新闻存在新颖、不可预估等特点，用户通过搜索来查找新闻内容需要花费大量的时间和精力[2]。为了提高用户观看新闻的效率，许多新闻应用程序集成了新闻推荐系统。当前的主流推荐系统大多针对购物网站和音乐电影等商品而设计，通过建立“用户-项目评分”矩阵，采用相关性指标度量用户之间的相似性，通过协同过滤技术为用户提供推荐列表[3-4]。新闻内容中包含了大量的文字信息[5]，利用这些信息能够有效地缓解冷启动问题和稀疏性问题，但是这些文字信息为相似性分析带来了难度。

许多新闻应用将用户点击量作为偏好的评估指标，根据用户的阅读耗时对用户偏好值做调节[6]，此类系统能够实时更新用户兴趣模型，达到推新、推准的效果，但存在严重的稀疏性问题和冷启动问题。文献[7]将改进的层次聚类算法用于新闻事件发现问题，引入事件的多重特征计算用户的兴趣模型，该算法利用Spark框架实现了快速的响应，但对用户的兴趣评估不够准确。文献[8]通过已有用户对于新闻的点击浏览记录，提取其在不同环境中的上下文信息，利用兴趣分类记录构建决策树分类模型，该方案能够有效缓解新闻推荐系统中用户冷启动问题。……