基于LDA-LR推荐算法在个性化新闻推荐系统中的应用

摘要

随着社会科技的不断发展，人们已经迈入到了大数据时代，与此同时各类数据信息呈指数级爆炸式增长，使得用户无法有效的在海量的数据信息中找到符合自身兴趣的新闻信息，因此个性化新闻推荐系统应运而生。常见的个性化新闻推荐系统内部的推荐算法一般采用的是基于用户的协同过滤算法，它通过用户历史浏览的新闻所包含的关键词这一维度对用户之间的相似度进行计算，然后给用户推荐与他相似度比较高的其他用户所浏览的新闻内容。但是这种基于关键词的推荐算法所推荐的内容覆盖范围较窄，无法满足用户对推荐系统多样性的要求。经过研究分析，发现用户对新闻的喜好程度单纯的以关键词这个维度去做决策是不太合适的。 对于新闻这种文本类数据，它本身都是包含语义属性的，而常见的个性化新闻推荐系统着眼于新闻关键词进行新闻推荐，忽略了新闻本身所包含的潜在语义，例如多篇描述同一个关键词、同一个热点事件的新闻，往往只有一篇或少数几篇能够脱颖而出，造成这种现象的原因是这些新闻在行文构成和语义表述上更加博人眼球。因此常见的个性化新闻推荐系统存在推荐结果不精确，用户满意率低等缺陷。 针对这种情景，本文提出了一种基于LDA-LR的个性化新闻推荐方法。首先LDA（Latent Dirichlet Allocation）是一种典型的文档-主题-词语三层贝叶斯概率模型，所以该方法先使用LDA主题模型算法对用户所浏览的所有的新闻文本数据进行主题训练，并得到每篇新闻的主题分布，从而以LDA训练后的主题这一维度对用户之间的相似度进行计算，然后通过基于用户的协同过滤算法得到新闻推荐列表；同时在最开始，会根据各个用户的历史浏览记录的新闻的主题分布进行逻辑回归（LR）模型的训练，得到模型后，又将上述得到的推荐列表中各个新闻主题分布带入到模型中去进行计算，从而得到最终推荐给用户的新闻推荐列表。

目录

第一个书签之前