用于个性化新闻推荐层次用户兴趣模型.pdfVIP

用于个性化推荐的层次用户模型

12

,

1网络与交换技术国家重点，邮电大学，100876，

12

mllu@;ljl198866111@

：用户模型是基于内容的推荐的关键。通常，每条都属于多个或与多个相关，

然而，当前的用户建模方法存在一些，例并包含代表人物或的，因此通常具有多

如不考虑内容和的多特性，导致种特征。对于用户也是如此。用户对内容和新

用户表达和确。此外，当用户和新闻的偏好通常是多样的，并且会随时间变化。

闻数量急剧增加时，这些方法在实时处理方面存在用户的多样性和可变性决定了推荐的应该

问题，且在数据不足时存在冷启动问题。所有多样化和新颖。与普通对象不同，的流行度和

这些问题都会降低推荐的效果。为了更充分地新颖性会随着时间而变化，其生命周期是有限的。

表示用户并提高推荐效果，我们提出了一同时，热门和推送会在特定时间内吸引大

种层次用户模型及相应的推荐方法。实验量用户关注某些特定。然而，对于用户而

结果证明，基于我们层次用户模型的新言，这种偏见是没有意义的。因此，为了推荐新颖

闻推荐方法在准确性上具有优势，推荐结果更加多和多样化的，提高推荐系统的准确性和用户的

样且时效性强。阅读体验，推荐系统在构建用户时应考虑

上述所有因素，并反映用户的长期和短期。

为了实现上述目标，我们提出了一种层次用户

：推荐；层次用户建模；模型建模方法及相应的推荐方法。用户模型基

于用户的偏好、、行为信息和时间

1引言信息建立。基于我们层次用户模型的推

荐方法能够准确、多样且新颖的。

随着和互联网的发展，通过互联网浏览即

时已成为一种重要的方式。然而，迅速发展的

互联网带来了信息过载的问题。面对海量的信息，

2相关工作

人们希望快速获取自己感的并获得愉快的

阅读体验。因此，与推荐相关的研究受到了广基于内容的推荐和协同过滤是两种典型且个性化的

泛关注。其中，如何构建用户模型以及如何挖推荐方法，通常结合使用以达到更好的推荐效果[3]。

掘与用户之间的相关性是关键问题。协同过滤的主要是冷启动问题。在推荐中，

这一将更为突出，因为某些项目可能在失

基于用户在上的行为，如浏览和，推