论文部分内容阅读
新闻资讯是人们日常生活中获取的主要信息之一。随着互联网的发展，新闻资讯的传播速度得到了飞速的发展，互联网上出现了海量的新闻资讯信息。这些信息在丰富人们日常生活的同时也带来了严重的信息过载问题，给资讯编辑人员和普通用户都带来了巨大的挑战，新闻推荐技术应运而生，越来越受到人们的关注和重视，成为一个热门的研究话题。 传统的新闻推荐往往是基于内容实现面向用户个性化的推荐，即根据用户的历史行为去判断他们的兴趣爱好，从而推荐给他们相应的新闻资讯，但却忽视了新闻的时效性与热搜性，难以推荐出公共关注度高的热点新闻。为此，本文在传统的基于内容推荐的基础上加入搜索指数特征，提出了基于搜索指数的新闻推荐方法。 本文主要开展了以下几个方面的研究工作： （1）研究了用于新闻推荐的特征构造方法。在传统的基于词袋特征和基于主题特征进行新闻推荐的基础上，本文提出采用基于大数据的搜索指数特征，构建了基于新闻主题的搜索特征和基于新闻对象的搜索特征。 （2）研究了新闻推荐中新闻的表示模型。本文基于向量空间模型来表示新闻资讯，通过组合不同的特征，构建了多种用于新闻推荐的新闻资讯表示模型，并通过实验对各种不同模型的性能进行了对比分析。 （3）研究了基于二值分类的新闻推荐方法。本文将新闻推荐看成是一个二值分类问题，采用了三种不同的分类算法实现新闻推荐：基于支持向量机、决策树算法与逻辑回归。本文首先详细阐述了基于这三种不同分类算法的新闻推荐方法，然后通过实验验证了不同分类算法在新闻推荐中的性能。 本文在金融类新闻语料中进行了实验与对比分析。首先验证了不同表示模型在新闻推荐中的性能，实验结果表明本文提出的基于搜索的模型取得了较好效果；其次验证了不同分类算法在新闻推荐中的性能，实验结果表明支持向量机方法表现最好；最后对方法的鲁棒性进行了实验，通过对主题生成方法的对比证明了本文方法的鲁棒性。综上实验表明，本文提出的基于主题搜索的模型取得了较好的效果，证明了其在新闻推荐工作中是可行和有效的，从而为新闻推荐提供了一种新的思路。