基于网络表示学习的 新闻推荐算法研究与系统实现

摘要

第1章绪论

• 新闻推荐通常是利用用户的阅读行为和习惯、阅读选择和爱好等信息，为 用户推荐新闻内容。新闻推荐能够减少用户在数量庞大数据信息中获取信息的 时间消耗，从而能够缓解“信息过载[7]”的难题。以文本为内容的新闻，和商品、 电影、短视频等推荐系统相比，新闻推荐系统自身的特点限制了该领域的发展 速度，比如新闻的实时性和热点性决定了新闻需要快速更新，新闻的发布频率 极高。

如Li等人[10]对协同过滤算法进行改进，考虑了新闻的特征词所属词性和所在位置对结果的影响，利用时间窗口动态监测用户兴趣偏好。由此得出的新闻内容相似度[11]解决了用户兴趣迁移过程中推 荐准确性率低的难题，也缓解了数据稀疏、可扩展性差的问题。该方法考虑了 不同属性对区分用户的贡献度，准确计算了用户间的属性相似度