[发明专利]基于时间加权的三部图新闻推荐方法

权利要求书

1.一种基于时间加权的三部图新闻推荐方法，其特征在于，包括：

输入获取的用户浏览的新闻数据，根据获取的用户浏览的新闻数据计算优化后的新闻资源值；根据优化后的新闻资源值进行新闻推荐；

所述用户浏览的新闻数据包括浏览的时间、新闻标题和新闻文本；

所述计算优化后的新闻资源值的过程包括：采用热量扩散算法计算新闻向主题传导后的主题结点资源值和主题向新闻传导后新闻结点的资源值，采用时间权重函数对新闻向主题传导后的主题结点资源值和主题向新闻传导后新闻结点的资源值融合，得到优化后的新闻资源值；

所述时间权重函数包括用户-新闻侧的时间权重以及新闻-主题侧的时间权重；

用户-新闻侧的时间权重公式为：

新闻-主题侧的时间权重公式为：

其中，a和λ为可调节参数，t为当前时刻，t_u,i是用户浏览新闻i的时刻，b表述衰减函数，t_last是用户最后一次访问主题t_k的时刻，t_first是用户第一次访问主题t_k的时刻，P(t_k)是利用LDA主题模型从新闻文本中提取的关于主题t_k的归一化的概率分布，LDA表示经典主题模型；

优化后的新闻资源值f_H(I_j)的公式为：

其中，λ表示调和参数，f_Hu(I_j)表示新闻向主题传导后的主题结点资源值，f_Ht(I_j)表示主题向新闻传导后新闻结点的资源值，I_j表示用户浏览的新闻的项目，表示新闻-主题侧的时间权重。

2.根据权利要求1所述的一种基于时间加权的三部图新闻推荐方法，其特征在于，获取新闻向主题传导后的主题结点资源值和主题向新闻传导后新闻结点的资源值过程包括：

步骤1：获取目标用户浏览的新闻数据和与目标用户邻近用户所浏览的新闻数据；

步骤2：根据目标用户浏览的新闻数据和邻近用户浏览的新闻数据构建三部图网络推荐模型；

步骤3：根据三部图网络推荐模型计算新闻的初始资源；

步骤4：采用基于权重热量传导算法将三部图网络推荐模型分解为“新闻-用户”和“新闻-主题”方向上的两个二部图；

步骤5：将新闻的初始资源输入“新闻-主题”的二部图中，得到新闻向主题传导后的主题结点资源值；

步骤6：将新闻的初始资源输入“新闻-用户”的二部图中，得到主题向新闻传导后新闻结点的资源值。

3.根据权利要求2所述的一种基于时间加权的三部图新闻推荐方法，其特征在于，获取三部图网络推荐模型的过程包括：

步骤1：将用户集U＝{u₁,u₂,…,u_n}、项目集I＝{I₁,I₂,…,I_m}、特征集T＝{t₁,t₂,…,t_p}输入到三部图网络中；

步骤2：根据三个数据集内的节点之间的连接关系，创建三个关系矩阵A，B，C；

其中，矩阵A是用户-项目关系矩阵，若用户u_i与项目I_j间存在连接关系，即用户选择过该项目，则a_ij＝1；否则为0；

矩阵B是项目-主题关系矩阵，如果项目I_i与主题t_j间存在连接关系，则β_ij＝1；否则为0；

矩阵C是主题-用户关系矩阵，如果用户u_i使用过主题t_j，用c_ij表示用户对该主题使用的次数。