[发明专利]基于时间加权的三部图新闻推荐方法

说明书

本发明涉及信息检索和数据挖掘领域，具体为一种基于时间加权的三部图新闻推荐方法，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两个资源值进行融合，得到优化后的新闻资源值；本发明在新闻推荐场景下采用时间权重函数优化新闻资源值，解决了三部图技术中因边权影响推荐效果的问题，提高了推荐结果的精度。

技术领域

本发明涉及信息检索和数据挖掘领域，特别涉及一种基于时间加权的三部图新闻推荐方法。

背景技术

随着移动网络的飞速发展以及智能手机的普及，人们的各种生活习惯也在潜移默化的被改变。曾经新闻信息大多通过看报纸和看电视来获取，这种方式从新闻信息的产生到生产出该条新闻再到发行，最终才能传播到每个人。这中间经历的时间相对比较长，而新闻本身所特有的特点之一就是时效性，如果在一定的时间内没有传播出来，那这些新闻就丧失了价值而变得毫无意义。现如今各类新闻客户端的出现，随时随地浏览新闻已经成为人们的日常活动之一。同时生产新闻的成本和时间都在大幅缩减，每时每刻媒体和个人都能够产生新闻信息数据。伴随着信息时代各式各样的数据信息产量呈几何指数形式增长现象的出现，给互联网用户带来了严重信息过载的问题。同时快节奏的生活方式又导致用户没有时间和精力在海量的信息中挨个寻找自己感兴趣的东西，因此人们想要从海量的新闻数据中找到自己感兴趣的信息已经变得越来越困难，还会出现信息利用率低的现象，造成信息资源的浪费。

为解决此类问题，诸多学者提出了很多不同的解决方法，例如对各类信息进行分门别类，研发设计搜索引擎等等。如专利申请号为CN201010185859.6的《一种基于社会标签的协同过滤方法》公开了一种将三部图建模方法引入到用户-新闻-标签的三元关系的研究当中并对标签进行了一定的扩展和去噪，在一定程度上提高了推荐的精确度。

但是该方法在推荐过程中，未考虑到标签本身的合理性和精确性等问题；同时该专利只考虑的标签的权重，而未确定用户之间、新闻之间的重要性；将所有用户和新闻采用相同的权重进行推荐，会影响推荐的精度从而导致推荐效果不佳。

发明内容

为解决以上现有技术的问题，本发明提出了一种基于时间加权的三部图新闻推荐方法，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。

优选的，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。

优选的，获取三部图网络推荐模型的过程包括：