基于用戶角度的新聞內(nèi)容個性化推薦研究

李云霞 李偉

摘要：信息化時代，人們面臨的信息過載問題日益嚴(yán)重，如何從海量信息中快速、準(zhǔn)確地獲取自己感興趣的內(nèi)容成為亟待解決的問題。新聞內(nèi)容個性化推薦技術(shù)應(yīng)運而生，旨在根據(jù)用戶的需求和興趣推薦新聞內(nèi)容，提升用戶的閱讀體驗和滿意度。然而，目前大多數(shù)新聞推薦系統(tǒng)仍然采用基于內(nèi)容相似度或協(xié)同過濾等傳統(tǒng)方法，往往無法精確把握用戶的個性化需求。文章指出，傳統(tǒng)媒體和新媒體融合發(fā)展已經(jīng)成為行業(yè)共識，主流媒體的新聞傳播活動也從單一的“發(fā)布”轉(zhuǎn)向了“推送”，新聞內(nèi)容個性化推薦是用戶參與新聞生產(chǎn)的有效方式，能夠滿足不同用戶的個性化需求，提高用戶參與感和歸屬感，增強傳播效果。文章從新聞內(nèi)容個性化推薦技術(shù)的概念及基本原理入手，分析新聞內(nèi)容個性化推薦的主要技術(shù)，從數(shù)據(jù)收集與分析、建立用戶畫像、推薦算法實現(xiàn)和采寫算法實現(xiàn)四個方面闡述新聞內(nèi)容個性化推薦與采寫的實現(xiàn)步驟，并提出媒體在做好內(nèi)容建設(shè)工作基礎(chǔ)上的內(nèi)容個性化推薦與采寫的路徑，旨在為用戶提供更加優(yōu)質(zhì)的信息服務(wù)。

關(guān)鍵詞：用戶角度；新聞內(nèi)容；個性化推薦；信息化

中圖分類號：G210.7 文獻標(biāo)志碼：A 文章編號：1674-8883（2023）07-0087-03

互聯(lián)網(wǎng)上每天都會產(chǎn)生大量的信息，而這些信息往往是分散、雜亂的，如何從中挖掘出有價值的新聞線索展開采寫，為用戶提供所需要的信息是一個難題。個性化推薦與采寫有利于為用戶提供感興趣的內(nèi)容，而這一點正是互聯(lián)網(wǎng)技術(shù)的核心價值。個性化推薦技術(shù)就是為了解決這個難題而誕生的。

一、新聞內(nèi)容個性化推薦技術(shù)的概念及基本原理

在新聞內(nèi)容個性化推薦過程中，需要從用戶角度出發(fā)，分析用戶的行為數(shù)據(jù)，運用大數(shù)據(jù)、人工智能等技術(shù)，對用戶行為進行建模，如用戶的閱讀歷史、瀏覽歷史、行為偏好等數(shù)據(jù)，然后將用戶與新聞內(nèi)容進行匹配，根據(jù)匹配結(jié)果為用戶推薦相關(guān)的新聞內(nèi)容[1]。通過這種方式，可以有效地解決記者“不懂”“不會”推薦信息的問題，從而更好地滿足用戶對信息的個性化需求。

（一）什么是新聞內(nèi)容個性化推薦

新聞內(nèi)容個性化推薦是利用大數(shù)據(jù)、人工智能等技術(shù)，對用戶的行為進行分析，根據(jù)用戶的興趣偏好來為用戶推薦相關(guān)的新聞內(nèi)容[2]。新聞內(nèi)容個性化推薦技術(shù)是當(dāng)前應(yīng)用比較廣泛的一種個性化信息服務(wù)技術(shù)[3]，主要包括以下幾個方面：第一，分析用戶的瀏覽歷史、消費歷史、興趣偏好等數(shù)據(jù)，并通過分析這些數(shù)據(jù)來建立用戶與新聞內(nèi)容之間的關(guān)聯(lián)；第二，利用機器學(xué)習(xí)技術(shù)建立用戶對新聞內(nèi)容的評分模型[4]，根據(jù)用戶的評分情況來為用戶推薦相關(guān)的新聞內(nèi)容；第三，通過基于內(nèi)容過濾算法來為用戶推薦相關(guān)的新聞內(nèi)容[5]。

在這個過程中，還可以通過其他一些技術(shù)來更好地實現(xiàn)個性化推薦。

（二）基本原理與方法

新聞內(nèi)容個性化推薦過程，主要是基于用戶興趣偏好進行內(nèi)容推薦，可以有效地解決“信息過載”和“信息窄化”問題，幫助用戶獲取到最有價值的新聞[6]。其基本原理是利用相關(guān)技術(shù)對用戶行為進行分析，并對用戶的興趣偏好進行建模，然后將用戶與新聞內(nèi)容進行匹配，最后根據(jù)匹配結(jié)果，為用戶推薦相關(guān)的新聞內(nèi)容[7]。例如，通過分析用戶在手機端上的瀏覽記錄、行為偏好、搜索記錄等來建立用戶行為模型，然后通過構(gòu)建相似度計算模型來計算用戶之間的相似度，根據(jù)相似度計算結(jié)果，為用戶推薦相關(guān)的新聞內(nèi)容。

目前，新聞內(nèi)容個性化推薦的技術(shù)主要包括：一是協(xié)同過濾算法。該算法根據(jù)用戶的歷史瀏覽記錄和興趣偏好，找到與用戶口味相似的其他用戶，然后將這些用戶感興趣的新聞推薦給目標(biāo)用戶。二是基于內(nèi)容的推薦算法。該算法通過對新聞內(nèi)容的分析，提取關(guān)鍵詞、主題等信息，然后將與用戶興趣相關(guān)的新聞推薦給目標(biāo)用戶。三是深度學(xué)習(xí)算法。該算法利用神經(jīng)網(wǎng)絡(luò)模型對新聞內(nèi)容進行深度分析，從而實現(xiàn)更準(zhǔn)確、更精細的個性化推薦。四是基于語義相似度的推薦算法。該算法通過計算新聞之間的語義相似度，將與用戶已讀新聞相似的新聞推薦給目標(biāo)用戶。五是基于情感分析的推薦算法。該算法通過對新聞內(nèi)容的情感分析，將具有相似情感的新聞推薦給用戶，從而更好地滿足用戶的情感需求[8]。這些技術(shù)有著各自的優(yōu)缺點，需要根據(jù)具體應(yīng)用場景和用戶需求選擇適合的算法來進行個性化推薦。

二、新聞內(nèi)容個性化推薦與采寫的實現(xiàn)

（一）數(shù)據(jù)收集與分析

數(shù)據(jù)是新聞內(nèi)容個性化推薦與采寫的基礎(chǔ)，主流媒體在新聞內(nèi)容的生產(chǎn)過程中，要充分利用好用戶數(shù)據(jù)、社交數(shù)據(jù)、設(shè)備數(shù)據(jù)等多種類型的數(shù)據(jù)資源，結(jié)合技術(shù)手段對這些數(shù)據(jù)進行分析和處理。當(dāng)前，主流媒體在新聞內(nèi)容的生產(chǎn)過程中，主要通過用戶行為習(xí)慣分析、用戶畫像等方式分析用戶[9]。

在用戶行為習(xí)慣分析方面，主流媒體可以借助大數(shù)據(jù)分析技術(shù)，對用戶瀏覽記錄、訪問軌跡等進行分析。在對用戶行為進行分析時，首先要對用戶訪問過的頁面進行抓取，并對抓取到的頁面進行分詞和詞性標(biāo)注，然后通過自然語言處理技術(shù)構(gòu)建出用戶興趣模型，最后根據(jù)用戶興趣模型，向用戶推薦相關(guān)新聞內(nèi)容。

在用戶畫像方面，主流媒體可以通過爬蟲技術(shù)、文本挖掘技術(shù)等手段構(gòu)建出用戶畫像[10]。主流媒體可以利用爬蟲技術(shù)爬取互聯(lián)網(wǎng)上的新聞內(nèi)容數(shù)據(jù)，利用文本挖掘技術(shù)從這些數(shù)據(jù)中提取出文本信息、行為信息等有價值的信息。

（二）建立用戶畫像

用戶畫像是指通過對用戶的行為、偏好等進行收集、整理和分析，形成的一個可以反映用戶基本特征的“數(shù)字檔案”。通過對用戶數(shù)據(jù)的挖掘和分析，能夠?qū)崿F(xiàn)對用戶特征的刻畫，從而幫助媒體更好地了解用戶需求，提升新聞內(nèi)容制作的針對性和有效性。在新聞內(nèi)容個性化推薦過程中，要通過技術(shù)手段建立和完善用戶畫像。主流媒體要充分利用大數(shù)據(jù)、人工智能等技術(shù)手段，依托平臺數(shù)據(jù)進行內(nèi)容采集、生產(chǎn)與分發(fā)，在此基礎(chǔ)上建立用戶畫像[11]。

（三）推薦算法實現(xiàn)

基于內(nèi)容的推薦算法（Content Based Rank，CBR）是目前應(yīng)用最廣泛的個性化新聞推薦算法[12]。CBR算法通過挖掘用戶與內(nèi)容的關(guān)系，根據(jù)用戶的歷史行為數(shù)據(jù)和行為偏好進行個性化推薦。CBR算法可以根據(jù)用戶在網(wǎng)絡(luò)上留下的痕跡、瀏覽的內(nèi)容等，進行個性化推薦，滿足用戶對內(nèi)容的需求。同時，CBR算法還可以根據(jù)用戶不同興趣愛好、不同行為特征進行個性化推薦，具有較強的針對性。

（四）采寫算法實現(xiàn)

新聞內(nèi)容個性化推薦的實現(xiàn)，可以基于個性化推薦算法，通過內(nèi)容的相似性與用戶的相似度進行匹配，然后根據(jù)用戶的需求和興趣偏好，為其推薦相應(yīng)的內(nèi)容，實現(xiàn)個性化的新聞傳播[13]。在新聞內(nèi)容個性化推薦中，要注意以下幾個方面。

第一，需要充分考慮用戶需求和興趣偏好。用戶不僅對感興趣的新聞內(nèi)容有強烈需求，還會對其他類型的新聞內(nèi)容有很大需求。

第二，需要在做好內(nèi)容建設(shè)工作的基礎(chǔ)上進行個性化推薦。主流媒體要做好內(nèi)容建設(shè)和服務(wù)創(chuàng)新工作，同時也要注重用戶參與和互動，對用戶感興趣的話題、領(lǐng)域進行重點關(guān)注，提高用戶參與感和歸屬感。

第三，要注意在信息采集過程中保護用戶隱私。主流媒體要避免過度曝光和傳播不實信息，這不僅會導(dǎo)致用戶隱私泄露問題的發(fā)生，還會給平臺帶來負面影響。因此，主流媒體在做好內(nèi)容建設(shè)工作的同時，要注重信息采集過程中的隱私保護。

三、新聞內(nèi)容個性化推薦與采寫的應(yīng)用路徑

（一）新聞客戶端應(yīng)用

新聞客戶端是目前主流媒體內(nèi)容傳播的主要渠道，也是用戶獲取信息的重要渠道，對新聞客戶端進行個性化內(nèi)容推薦和采寫，是增強主流媒體新聞傳播效果的重要方式。新聞客戶端應(yīng)用一方面可以為用戶提供更好的服務(wù)，另一方面可以為用戶提供更多個性化內(nèi)容推薦服務(wù)。

新聞客戶端具有一定的社交屬性，根據(jù)用戶瀏覽過的內(nèi)容、收藏過的內(nèi)容等信息，對用戶進行內(nèi)容推薦。在新聞客戶端中，用戶可以根據(jù)自己的興趣愛好進行個性化閱讀。這種閱讀方式，可以增強用戶的參與感，提高用戶對主流媒體新聞資訊內(nèi)容的關(guān)注度和閱讀興趣。

主流媒體也可以利用新聞客戶端開展更多個性化服務(wù)。比如，為用戶提供個性化推薦服務(wù)、個性化定制服務(wù)等。主流媒體可以依托自身資源優(yōu)勢和技術(shù)優(yōu)勢，通過新聞客戶端開展個性化內(nèi)容推薦和采寫服務(wù)。比如，人民日報、新華社等主流媒體在新聞客戶端中探索了多種個性化推薦形式：一是通過技術(shù)手段分析用戶興趣愛好、行為數(shù)據(jù)等，為用戶進行個性化內(nèi)容推薦；二是在新聞客戶端中設(shè)置“定制”或“訂閱”頻道，根據(jù)用戶需求和興趣偏好進行個性化定制；三是在新聞客戶端中設(shè)置“我的頻道”欄目，根據(jù)用戶行為習(xí)慣進行個性化內(nèi)容推薦。

（二）新聞網(wǎng)站應(yīng)用

個性化推薦技術(shù)能夠為用戶提供“千人千面”的信息服務(wù)，滿足用戶的個性化需求，為用戶提供更精準(zhǔn)、更優(yōu)質(zhì)、更適合他們的新聞內(nèi)容[14]。在新聞網(wǎng)站中，個性化推薦技術(shù)應(yīng)用主要體現(xiàn)在新聞網(wǎng)站編輯根據(jù)用戶的閱讀習(xí)慣和興趣愛好，通過算法識別并推薦與用戶興趣相符的內(nèi)容。同時，還可以通過對用戶的關(guān)注數(shù)據(jù)進行分析，精準(zhǔn)識別和捕捉目標(biāo)受眾，從而為新聞內(nèi)容的呈現(xiàn)提供依據(jù)。

在新聞網(wǎng)站中，個性化推薦技術(shù)可以根據(jù)用戶對相關(guān)新聞的關(guān)注和閱讀習(xí)慣等信息，將不同類型、不同屬性的新聞內(nèi)容精準(zhǔn)地推薦給不同用戶。這種推送方式能夠幫助新聞網(wǎng)站增強用戶黏性，滿足用戶個性化需求。以今日頭條為例，該平臺通過算法推薦技術(shù)，將海量信息按照興趣分類展現(xiàn)在用戶面前，讓不同類型的用戶都能在第一時間獲取自己感興趣的信息。

同時，該平臺還通過個性化推薦技術(shù)，將這些內(nèi)容以消息、圖表、專題等形式呈現(xiàn)給用戶。通過個性化推薦技術(shù)實現(xiàn)的精準(zhǔn)推送，不僅可以讓用戶對自己感興趣的信息進行閱讀，還可以讓用戶從“被動接受”變?yōu)椤爸鲃舆x擇”。

個性化推薦技術(shù)應(yīng)用在新聞網(wǎng)站中還能發(fā)揮重要作用。今日頭條不僅能根據(jù)用戶喜好推送新聞內(nèi)容，還能根據(jù)不同新聞內(nèi)容的屬性和傳播特點進行個性化推薦。例如，在對重大突發(fā)事件進行報道時，今日頭條會根據(jù)事件特點、最新進展等信息，為用戶推薦相關(guān)領(lǐng)域的新聞內(nèi)容。同樣以今日頭條為例，該平臺通過個性化推薦技術(shù)，根據(jù)用戶關(guān)注數(shù)據(jù)和閱讀數(shù)據(jù)對新聞內(nèi)容進行分析和處理，將新聞內(nèi)容分發(fā)給關(guān)注該話題的高質(zhì)量內(nèi)容愛好者和相關(guān)領(lǐng)域?qū)I(yè)人士。在這種個性化推薦技術(shù)的支持下，今日頭條能夠更好地滿足不同類型用戶的需求。同時，該平臺還通過個性化推薦技術(shù)提高了新聞內(nèi)容的質(zhì)量和傳播力。

（三）新聞社交媒體應(yīng)用

用戶的需求和興趣偏好是個性化推薦的重要依據(jù)，用戶的反饋和參與能夠更好地進行個性化推薦。新聞內(nèi)容個性化推薦與用戶的興趣偏好有著緊密聯(lián)系，新聞內(nèi)容個性化推薦能夠為用戶提供更加豐富、全面的內(nèi)容，提高用戶滿意度[15]。

新聞社交媒體能夠為新聞內(nèi)容個性化推薦提供支持。隨著社交媒體平臺的普及，新聞內(nèi)容可以通過社交媒體平臺進行分發(fā)，用戶可以在社交媒體上分享和訂閱自己喜歡的新聞內(nèi)容。主流媒體可以借助社交媒體平臺，為用戶提供更豐富的新聞內(nèi)容。例如，《紐約時報》通過 Facebook 和 Twitter 等平臺，向用戶推送紐約最新疫情情況等相關(guān)信息，既滿足了讀者對疫情信息的需求，也讓讀者了解了美國疫情發(fā)展情況。

為了實現(xiàn)新聞內(nèi)容個性化推薦和采寫，需要滿足不同用戶的興趣偏好。目前，主流媒體對新聞內(nèi)容個性化推薦還沒有形成系統(tǒng)的認(rèn)知，如何為不同類型用戶提供更好、更具針對性的新聞內(nèi)容仍然是值得關(guān)注和探索的問題。在此背景下，主流媒體可以借助社交媒體平臺開展相關(guān)實踐活動。

四、結(jié)語

新聞內(nèi)容個性化推薦技術(shù)是一種基于用戶興趣偏好和歷史閱讀行為等信息，為用戶量身定制新聞內(nèi)容的技術(shù)，具有廣闊的發(fā)展前景。但通過個性化推薦技術(shù)，用戶可能只看到自己感興趣的內(nèi)容，缺乏了解和接觸其他領(lǐng)域的機會，容易形成“信息繭房”效應(yīng)，需要做進一步的改進。

參考文獻：

[1] 周帥，都云程，張仰森.個性化新聞推薦研究進展[J].計算機技術(shù)與發(fā)展，2023，33（2）：1-8.

[2] 呂妍.新聞個性化走向智媒體：新聞編輯業(yè)務(wù)的創(chuàng)新研究[J].新聞文化建設(shè)，2022（21）：175-177.

[3] 夏艷.新聞評論的個性化表達探討[J].西部廣播電視，2022，43（19）：58-60.

[4] 蒲岍岍，雷航，李貞昊，等.增強列表信息和用戶興趣的個性化新聞推薦算法[J].計算機科學(xué)，2022，49（6）：142-148.

[5] 趙懷智.個性化新聞的推送：弊端及解決措施[J].湖北科技學(xué)院學(xué)報，2022，42（4）：90-96.

[6] 公沛然.個性化新聞推送的影響[J].中國地市報人，2022（6）：68-69.

[7] 蒲岍岍.個性化重排的新聞推薦算法研究及系統(tǒng)實現(xiàn)[D].成都：電子科技大學(xué)，2022.

[8] 楊浩琛.新聞評論的個性化表達探討[J].新聞傳播，2022（3）：101-102.

[9] 牛琛琛.個性化新聞推送對新聞業(yè)務(wù)鏈的重塑[J].西部廣播電視，2021，42（20）：16-18.

[10] 謝新洲，王強.個性化新聞推薦發(fā)展動力及趨勢研究[J].新聞愛好者，2020（6）：4-9.

[11] 王豪.個性化新聞推薦系統(tǒng)的設(shè)計與實現(xiàn)[D].北京：北京郵電大學(xué)，2019.

[12] 朱滿洲.基于協(xié)同過濾的個性化新聞推薦系統(tǒng)的設(shè)計與實現(xiàn)[D].南京：南京理工大學(xué)，2019.

[13] 王金紅，楊巧麗，于雅婷.智媒時代“個性化新聞”的傳播特性[J].西部廣播電視，2018（16）：75-76.

[14] 姜霄晗，李烈鵬.新聞個性化推薦的交互性策略分析[J].新媒體研究，2018，4（11）：91-93.

[15] 匡文波，陳小龍.論新聞個性化推薦系統(tǒng)[J].新聞?wù)搲?018（2）：27-30.

作者簡介 李云霞，編輯，研究方向：新聞采編。 李偉，助理編輯，研究方向：新聞采編。