新聞個性化推薦的模型設(shè)計

◎劉亞卓 劉海燕 鄭斯文

新聞個性化推薦的模型設(shè)計

◎劉亞卓 劉海燕 鄭斯文

用戶在面對海量新聞時，個性化的推薦系統(tǒng)可以通過分析用戶行為來預(yù)測用戶的閱讀偏好，使其能夠盡快地找到用戶可能感興趣的信息。本文圍繞新聞推薦系統(tǒng)中文本內(nèi)容挖掘和用戶興趣表達(dá)的問題，應(yīng)用混合模型對新聞個性化推薦的模型設(shè)計進行了研究。

隨著網(wǎng)絡(luò)信息化的飛速發(fā)展，信息的數(shù)量和種類均呈爆炸式增長，逐步出現(xiàn)信息過載和泛濫的現(xiàn)象，用戶難以從海量信息中及時找到自己關(guān)注的內(nèi)容。個性化推薦理論和技術(shù)的誕生，為解決該問題提出了很好的解決辦法，它是一種嶄新的智能﹑高效的信息服務(wù)方式，通過分析用戶的歷史行為數(shù)據(jù)，預(yù)測用戶可能感興趣的需求，準(zhǔn)確為用戶提供個性化的信息推薦服務(wù)。

新聞內(nèi)容模型

新聞的文本特征可以通過新聞隱藏的主題﹑關(guān)鍵詞﹑標(biāo)簽來表示，新聞主題聚類通過LDA挖掘得到。通過LDA主題模型訓(xùn)練出新聞主題分類，以及每篇文本的主題分布和主題的詞分布。實現(xiàn)步驟為先做分詞處理，然后生成向量，根據(jù)向量去做主題聚類。

數(shù)據(jù)預(yù)處理。新聞文本是以網(wǎng)頁html標(biāo)簽的形式存在的，由于格式﹑規(guī)范等各種不一致，通過文本預(yù)處理，轉(zhuǎn)化為計算機可直接處理的規(guī)范化格式。最關(guān)鍵的步驟就是分詞，提取有價值的詞，去除停用詞，降低數(shù)據(jù)維度，為后續(xù)的文本分類工作減輕壓力，提高效率。中文分詞相對英文分詞要復(fù)雜，本文通過現(xiàn)有CJK規(guī)范為每個詞之間插入空格，然后通過Mahout自帶英文分詞技術(shù)完成該過程。

LDA主題聚類模型。LDA是一個三層貝葉斯模型，主題的分布和詞的分布不是確定的，是一種對文本進行無監(jiān)督聚類的方法。假設(shè)文本是由一系列潛在主題隨機混合而成，主題是由詞匯表中所有的詞混合而成，不同文本的主要區(qū)別在于其主題混合比例不同 。在訓(xùn)練集合中，通過LDA模型計算每個文本都包含一個主題數(shù)維度的向量，這個向量表示每個主題在該篇文章中的出現(xiàn)概率，概率越高，這個主題在該文章中的權(quán)重就越大。并通過對每個詞在主題中的概率計算，完成關(guān)鍵詞的概率分布。根據(jù)以上原理計算入庫新聞的主題分布，表示為：z={（主題1，概率1），（主題2，概率2），…,（主題p，概率p）}

混合模型生成。為了更準(zhǔn)確計算新聞的相似性，引入關(guān)鍵詞和標(biāo)簽屬性生成向量。關(guān)鍵詞可以通過TF-IDF（詞頻-逆向文檔頻率）的方法，計算特征詞權(quán)重，表示為：d={（關(guān)鍵詞1，概率1），（關(guān)鍵詞2，概率2），…, （關(guān)鍵詞n，概率n）} ，n代表所有關(guān)鍵詞的個數(shù)。標(biāo)簽屬性按照欄目類別劃分，欄目的新聞內(nèi)容具有一定的相似性，標(biāo)簽向量表示為：t={標(biāo)簽1，標(biāo)簽2，…,標(biāo)簽m} ，m代表所有標(biāo)簽的個數(shù)。

結(jié)合以上內(nèi)容設(shè)計新聞內(nèi)容的混合模型如下所示：M=k1zi+ k2dj+ k3tm（1）其中，k1代表主題模型計算得信息主題特征的權(quán)值，k2代表關(guān)鍵詞特征的權(quán)值，k3代表標(biāo)簽的權(quán)值。

用戶興趣模型

將用戶的隱含主題偏好與關(guān)鍵詞興趣相結(jié)合，考慮新聞的時效性，構(gòu)建完整的個性化興趣偏好的用戶興趣模型，準(zhǔn)確﹑完整的用戶興趣模型可以很好的提高推薦準(zhǔn)確性。用戶興趣模型表示方式為：F={Z，K，T }（2）其中，Z﹑K﹑T分別表示用戶主題偏好向量﹑關(guān)鍵詞權(quán)值序列和新聞標(biāo)簽關(guān)注程度，取值范圍為0到1的實數(shù)。下面對模型的主要內(nèi)容進行介紹：

（1）用戶主題偏好。用戶主題偏好通過訪問過的新聞主題聚類得出，由一組向量表示：Z={主題1，主題2，…,主題y}，其中，y代表所有主題的個數(shù)，屬性值代表用戶對各主題的偏好程度。

（2）關(guān)鍵詞權(quán)值序列。用戶在瀏覽新聞的過程中，會對含有某些關(guān)鍵詞的新聞感興趣，通過向量空間和TF-IDF計算關(guān)鍵詞的序列及其權(quán)值，表示為:

K={(關(guān)鍵詞1，概率1),( 關(guān)鍵詞2，概率2),…,( 關(guān)鍵詞j，概率j)}

其中，j代表用戶感興趣的關(guān)鍵詞的個數(shù)，并用權(quán)值表示用戶對各關(guān)鍵詞的感興趣的程度。

（3）新聞標(biāo)簽關(guān)注程度。用戶對新聞標(biāo)簽的關(guān)注程度由一組向量表示：T={標(biāo)簽1，標(biāo)簽2，…標(biāo)簽q}，其中，q代表所有標(biāo)簽的個數(shù)，Tc代表用戶對第c個標(biāo)簽的關(guān)注程度，是一個權(quán)值，計算公式表示為：Tc=，So表示用戶對該標(biāo)簽下新聞的閱讀量，S表示用戶全部的閱讀量。

（4）用戶興趣度更新。用戶瀏覽網(wǎng)頁的行為和習(xí)慣反映了用戶的興趣特征，興趣偏好是一個逐漸變化的過程，當(dāng)某一個興趣得不到加強，隨著時間的推移興趣會逐漸減弱，而且很難與用戶偶然性的瀏覽相區(qū)分，通過添加衰減因子更新新聞興趣主題特征權(quán)重的方法更新用戶對新聞主題的新鮮度，公式如下所示：Zi=λ（t）Z′i其中，Zi表示主題i新的權(quán)值；λ（t）為時間衰減因子；Z′i表示其原有權(quán)值。定義用戶的興趣衰減系數(shù)如下公式所示：λ（t）=ek(t-t0)(0＜k＜1)

k值的大小決定了特征值權(quán)重的衰減速度。k值越大，衰減速度越快。t表示現(xiàn)在訪問時間，t0表示上次訪問時間。

新聞推薦生成

用戶推薦新聞列表由新聞內(nèi)容模型與用戶興趣模型計算向量相似性，通過余弦相似度方法實現(xiàn)，計算結(jié)果在0～1之間，結(jié)果越接近1，相似度越大，通過定義一個閾值判斷新聞的推薦結(jié)果。本文定義閾值為0.7，通過有效新聞的推薦效果來驗證閾值是否正確，如果對用戶推薦新聞篇數(shù)過少或者推薦用戶范圍過小，將值調(diào)整為0.6，以此類推進行判斷。

另外，在新聞推薦中，為用戶推薦還未產(chǎn)生興趣偏好的新聞（未通過主題模型計算出的新聞），防止推薦主題過分收斂，增加推薦的多樣性和新穎性?；贗temCF的關(guān)鍵是找到與被訪問新聞a“最近鄰”的相似的新聞b。相似度的值越大，則新聞a與新聞b就越相似，那么在預(yù)測的新聞推薦的過程中，新聞b的評分的權(quán)重值就越大。同樣采用余弦相似度算法來計算新聞之間的相似度。計算結(jié)果按權(quán)值從高到低排序，推薦其中的前3個插入新聞興趣推薦列表中一同給用戶。如果用戶對這類新聞非常感興趣，會隨著用戶的訪問行為改變用戶的主題偏好。

文章簡要描述了一個新聞推薦系統(tǒng)的主要架構(gòu)和模塊，新聞文本特征模型﹑用戶興趣模型和新聞推薦的生成。本文所做的工作十分有限，要進一步完善用戶興趣表達(dá)，提高新聞文本主題隱形含義的更精準(zhǔn)表達(dá)，滿足用戶對新聞推薦服務(wù)的差異化需求，提高個性化新聞推薦的準(zhǔn)確率及用戶滿意度，還有很多問題有待研究。

陸軍裝甲兵學(xué)院信息管理中心）