[发明专利]一种新闻推荐系统

说明书

技术领域

本发明涉及一种针对用户的内容推荐系统，特别是一种基于超图（Hypergraph）技术的新闻推荐系统。

背景技术

传统新闻网站只是简单地将热门新闻信息推送给用户，所有用户获得的新闻都一模一样，用户自己通过分类导航找到新闻主题列表，在列表中查找自己感兴趣的新闻，或者通过搜索引擎查询关键字来搜索想要的新闻。这些新闻服务方式都无法满足用户不同时间、不同背景、不同目的个性化需求。最近发展起来的个性化服务新闻网站(如百度新闻、网易新闻等)允许用户根据自己感兴趣的新闻主题、关键词、地区等信息订制个性化新闻，但这种需要用户经常手动参与采集用户兴趣信息的方式，增加了用户的负担。近些年来，个性化新闻推荐系统越来越受到人们的关注。现如今的个性化新闻推荐系统的研究工作主要分为两个方面，一是基于内容的推荐方法；二是协同过滤的推荐方法。

尽管在以往的研究中，人们已经取得了较为显著的成果，然而新闻推荐系统中的一些关键仍然没有得到很好的解决。包括如何通过历史记录得到高质量的用户资料，如何将那些新出版的或是没有足够访问记录的新闻推荐给用户，以及如何为用户提供合理的新闻推荐。

发明内容

1、本发明的目的。

本发明的目的是通过挖掘读者、新闻主题以及命名实体之间的相关性，提出一种基于超图模型的新的个性化新闻推荐系统框架。

2、本发明所采用的技术方案。

新闻推荐系统，包括用户历史数据的挖掘，数据相关性的分析，以及对特征数据的排名，所述的数据相关性分析通过挖掘短语之间的内在关系，构建一个新的个性化的新闻推荐超图模型，在超图模型中，节点表示短语，边表示短语与短语之间的某种内在联系，边的权值用来表示这种关联的贡献度。

更进一步的具体实施例中，所述的短语包括读者、文章、主题和命名实体。

更进一步的具体实施例中，对文章进行三层贝叶斯概率模型建立选取短语。

更进一步的具体实施例中，对于命名实体，利用自然语言处理工具进行信息提取。

更进一步的具体实施例中，所述的数据相关性的分析的权重值可以通过稀疏权重矩阵查找对比。

更进一步的具体实施例中，所述的数据相关性分析在构建超图模型之前还包括预处理步骤，删除较少访问的的数据排除非期望噪声数据。

更进一步的具体实施例中，所述的用户历史数据的挖掘模块基于用户的历史阅读记录建立读者的优先文档，而读者优先文档建立的关键是新闻稿件中的一些命名实体，包括事件的发生时间，事件的发生地点以及事件的参与者。

更进一步的具体实施例中，相似新闻图形中，通过生成的超图模型，对相似图形的稀疏权重矩阵中的特征数据进行排序，生成用户优先文档。

3、本发明的有益效果。

(1)使用超图模型来表示读者、文章、主题和命名实体之间的内在关联；

(2)通过分割超图模型，建立一种细粒度的新闻选择框架，能够更有效、快速的提供新闻推荐，无需人工筛选；

(3)在超图模型中利用图形式直推式方法解决了冷启动问题。

附图说明

图1是本发明的数据模型实例；

图2是本发明的流程图。

具体实施方式

为了使专利局的审查员尤其是公众能够更加清楚地理解本发明的技术实质和有益效果，申请人将在下面以实施例的方式作详细说明，但是对实施例的描述均不是对本发明方案的限制，任何依据本发明构思所作出的仅仅为形式上的而非实质性的等效变换都应视为本发明的技术方案范畴。

实施例

以下结合附图，详细说明本发明的实施方式。

一种利用超图模型对用户兴趣内容进行排名的新闻推荐系统，主要包括用户历史数据的挖掘，数据相关性的分析，以及对特征数据的排名模块。

结合表1，U表示用户集，N表示文章集，T^t表示主题集，T^e表示实体集。n_i^k表示文章i的k近邻，α表示内容相似性的权重值，E^UNTt表示用户-文章-主题的超边集，其他符号表示以此类推。

结合图1，数据模型在新闻社区中的一个实例，概述了媒体对象和他们之间的内在关系。通过数据模型，我们可以得到一个顶点-超边矩阵H，以及一个权重矩阵W。两个矩阵的大小取决于不同元素集个基数，并且都是稀疏矩阵。