融合新闻图片和用户反馈的新闻推荐方法研究

摘要

传统的新闻推荐算法已经不能够满足用户的浏览需求，特别是在如今的人工智能时代，如何提高用户的浏览体验成为一个研究热点，所以个性化新闻推荐算法应运而生。它和传统的新闻推荐算法相比，考虑了更多维的因素，这提高了推荐内容的可解释性，还有的算法引入了外部的知识图谱，这提高了推荐的多样性，但是存在下面两点因素给个性化新闻推荐算法造成困难，其一是新闻本身的特性，例如其数量大且内容覆盖广，更新快且时效性高；其二是在构建用户画像不容易统一，例如对不同用户的行为和兴趣，需要构建不同的用户画像。虽然目前主流的个性化新闻推荐算法取得了较好的推荐效果，但是大部分的算法忽略了新闻中的图片信息，而这些图片是具有潜在的价值。因为图片传达给用户的信息更为直观，更容易影响用户的阅读兴趣，所以本文提出了重构新闻标签的模型，并基于这些新标签提出了自适应标签算法，详细的研究内容概括如下：　　(1)本文提出了融合新闻里的图片和文本来重构新闻标签的模型(MRNT)。考虑到新闻的原始标签数目少，并且很少包含新闻图片信息，又考虑到这些标签通常是由人工来编写完成的，仅能代表着部分人对该篇新闻的看法和理解。本文首先介绍了开源的图片识别器和词向量，其次是介绍神经网络和Word2Vec模型的基础知识，最后以原始的新闻标签为参考，去除掉从新闻图片和文本提取到的低相关性的特征，用余下的特征作为新闻的新标签，这些新标签是后文提出的标签相关性图和AT算法的基础。　　(2)本文提出了一个关注用户短期兴趣的自适应标签算法(AT)。由于新闻的特性，导致用户的短期兴趣容易受到新闻内容的影响，如果用户的兴趣模型构建不好会降低用户的浏览体验，所以本文针对如何构建用户的短期兴趣模型提出了AT算法。该算法是通过用户的反馈，筛选出用户当前最感兴趣的标签。为了筛选出用户最感兴趣的标签，本文为用户当前感兴趣集合中的每个的标签进行打分，首先计算某标签在用户的浏览历史中的比重得分，然后计算该标签的热度得分，随后计算该标签在候选新闻中的比重得分，其次是计算该标签的延深得分。最后把前面四个的得分加起来就是该标签的最终得分，再选出得分最高的标签就是用户当前最感兴趣的标签。　　(3)实验结果和分析。基于新闻推荐的性能评估标准(F1,AUC,MRR)，验证了本文所提出的方法，在推荐条目较小的情况下，与其他基线相比具有较好的推荐效果。

目录

声明

目 录

缩略词

第 1 章 绪 论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 协同过滤算法的研究现状

1.2.2 融合新闻内容和用户行为研究现状

1.2.3 基于深度学习模型研究现状

1.3 本文的研究内容

1.4 本文的组织结构

第 2 章 相关概念及技术

2.1 引言

2.2 图片识别器

2.3 Pkuseg 分词器

2.2 神经网络

2.2.1 RNN

2.2.2 CNN

2.3 Word2Vec

2.3.1 CBOW

2.3.2 Skip-Gram

2.5 本章小结

第 3 章 基于 Word2Vec 构建标签相关性图

3.1 引言

3.2 重构新闻标签的意义

3.3 MRNT 模型

3.4 构建标签相关性图

3.4.1 无向图和有向图

3.4.2 标签相关性图的实现

3.5验证和分析

3.5.1 数据集介绍

3.5.2 实验结果和分析

3.6 本章小结

第 4 章 基于用户反馈的自适应标签算法

4.1 用户反馈

4.2 自适应标签算法

4.2.1 数据处理预定义

4.2.2 AT 算法的构建

4.3 本章小结

第 5 章 实验和结果分析

5.1 实验设计

5.1.1 评估标准

5.1.2 对比基线

5.1.3 超参数的设置

5.2 实验结果与分析

5.3 本章小结

结 论

参考文献

附录 A 攻读学位期间发表的学术论文

致 谢