论文部分内容阅读
伴随着互联网地飞速发展,人们获得海量资讯的同时也面临着信息过载的问题。推荐系统在这样的一个环境下应运而生,可以为人们推荐其感兴趣的物品。新闻推荐作为推荐领域的一部分,目前已经成为研究的热点,一个好的个性化新闻推荐系统可以为新闻网站吸引大量用户,带来大的用户流量,通过这些用户流量进行变现得到收益。个性化新闻推荐的流程包含了候选生成和候选排序两个部分,候选生成阶段和候选排序阶段的效果会很大影响个性化新闻推荐中用户的感兴趣程度和点击情况,对新闻网站的流量和营收带来巨大的影响。本文针对以上分析,设计并实现了一种个性化新闻推荐系统,并对其中的候选生成模型和候选排序模型进行研究。具体地讲,本文的主要工作如下:(1)对个性化新闻推荐系统的需求进行深入分析,然后结合需求分析和相关技术,对系统的整体架构进行设计。本文将个性化新闻推荐系统划分为Web展示模块、业务逻辑模块、候选生成模块、候选排序模块、日志收集与处理模块和数据处理模块六个模块。然后基于此设计方案,对各个模块的实现进行详细地阐述。最后,对系统的功能和性能进行测试,验证个性化新闻推荐系统的有效性和可用性。(2)针对新闻推荐的候选生成问题和候选排序问题分别提出了基于文本信息的深度候选生成模型和改进的神经因式分解机(Neural Factorization Machines,NFM)候选排序模型。基于文本信息的深度候选生成模型通过使用长短期记忆网络(Long short term memory,LSTM)挖掘用户日志信息,并使用卷积神经网络(Convolutional Neural Networks,CNN)挖掘文本信息,从而能够更好地挖掘个性化新闻推荐场景的相关信息。改进的神经因式分解机模型同样在模型中融入了用户浏览新闻信息和文本信息。通过对比实验,表明了本文提出的基于文本信息的深度候选生成模型和改进的神经因式分解机候选排序模型在个性化新闻推荐场景下具有更好的推荐效果。