文档章节

基于用户点击行为的新闻个性推荐

满小茂
 满小茂
发布于 2017/08/20 18:00
字数 1304
阅读 181
收藏 1

摘要

    本文根据论文《Personalized News Recommendation Based on Click Behavior》理论翻译总结而来。Google News在www2010上放出了《Personalized News Recommendation Based on Click Behavior》。这篇文章重点解决推荐精准性和新资讯的冷启动问题,文章想法也很朴素自然,主要是基于贝叶斯理论进行建模。他们假设用户兴趣有两个方面:个人不断变化的兴趣以及当前新闻热点。在具体建模之前,作者先基于历史数据进行了统计分析,验证了他们的假设,得到如下基本结论:用户的兴趣是随时间变化的,新闻热点也是随时间变化的(如图1所示)。还有一个比较比较有趣的结论是:不同地区同一时间的新闻热点是不一样的(如图2)

                                          图1. 不同时间段分类点击率 。(图片来自论文内容)

从上图可以看出,不同时间段,用户对sport,health,national,entertainment这几个分类的点击率是不同的,证明随着时间得变化,用户的兴趣点也在变化。

 

     图2. Spain,US,UK这三个地区不同时间段对sport分类的点击率 。(图片来自论文内容)

从上图,可以看出,三个不同的地区在不同的时间段,对Sport类的新闻的点击率是不同。

算法模型

        C = {c1,c2,...,cn}  

                新闻分类:包括“world”, “sports”,  “entertainment”等

        D(u,t)  

                ,表示用户u,时间段t,分类c 的点击分布概率。Ni表示用户u在过去的一个月t点击分类ci的点击次数。Ntotal是用户u过去对分类ci所有的点击数据。

          Then, for each user u , we computed the distribution of her clicks in every month t , D(u,t)

          D(t) 

               过去一个时间段t,该地区所有用户对各个分类的点击数分布概率。所有用户某个分类所有点击数/所有用户总的点击数,就是D(t)

         For each country, the general interests can be represented by the distribution of all the clicks made by the users from that country in a past time period t , represented as D(t) .
 

贝叶斯分布概率推荐模型

        用户兴趣预测模型。

 

Pt (category = ci | click)   用户u对分类ci的新闻的点击数占用户u总点击数的比例。(个人兴趣分布)

       = 用户u对分类ci的文章的点击数/用户u总对文章总的点击数

        英文原文:

        pt (category = ci | click) is the probability that the user’s clicks being in category ci . It can be estimated by the click distribution D(u,t) observed in time period t , as
    computed in Equation

Pt (category = ci )    近似为D(t),公众的兴趣分布。所有用户在时间段t的对分类ci的点击分布,也就是该地区所有用户在时间段t内点击分类ci的点击数占所有人总点击数的一个比例。

        =所有用户在时间段t内点击分类ci的文章点击数/所有用户总的文章点击数

    英文原文:

        pt (category = ci ) is the prior probability of an article being about category ci . This is the proportion of news articles published about that category in the time period,which correlates with the news trend in the location. As more news events happen in a given topic category, more news articles will be written in that category. Thus, we can approximate this probability with the click distribution of the general public D(t)

 Pt (click)      该用户在时间段t内的对所有发布的新闻的点击率,不论文章分类。 

            =用户u点击文章数/发布的文章总数

   英文原文:

        pt (click) is the prior probability of the user clicking on any news article, regardless of the article category.

  

结合过去的时间周期预测

       

 Nt---该用户在过去的时间段t的文章总点击数。

N t is the total number of clicks by the user in time period t;

 

预测用户当前的兴趣

 Nt---该用户在过去的时间段t的文章总点击数。

上面公式省略了p(click)的值,因为对于基于同一个用户的预测,p(click)的值是一样的,最后只需要比较点击每个分类的概率的相对大小,所以p(click)无需参与运算。

最终计算模型

        

         Nt---该用户在过去的时间段t的文章总点击数。

        G是虚拟点击数(系统设置为10),可以看作是平滑因子。当系统观察到用户很少(甚至是零)点击时,系统可以预测用户的兴趣更接近当前时间段的兴趣。当用户如果过去总的点击量非常大,那么这个G值可以忽略不计,不会对结果造成影响。

其中表示当前本地区某类新闻的热度(这类新闻该地区点击的概率),实际也是统计一下短时间内对这类新闻的用户点击数占比得到的。计算方法同Pt (category = ci )  。

       =所有用户在时间段t0内点击分类ci的文章点击数/所有用户在时间段t0总的文章点击数

 

                                    ---摘自  《Personalized News Recommendation Based on Click Behavior》

 

© 著作权归作者所有

共有 人打赏支持
上一篇: Hadoop优化参数
下一篇: 推荐系统
满小茂
粉丝 75
博文 119
码字总数 131884
作品 0
成都
程序员
私信 提问
加载中

评论(2)

满小茂
满小茂

引用来自“静斯”的评论

厉害了~666
谬赞了
静斯
静斯
厉害了~666
推荐系统实践学习系列(二)利用用户行为数据(下)

基于上节, https://blog.csdn.net/xudailong_blog/article/details/80588950 这里我们接着说一下基于邻域的算法 基于邻域的算法类别 基于邻域的算法是推荐系统中最基本的算法,在业界中得到...

徐代龙
06/24
0
0
“今日头条”怎么计算:“网络爬虫+相似矩阵”技术运作流程

今日头条这类资讯聚合平台是基于数据挖掘技术,筛选和推荐新闻:“它为用户推荐有价值的、个性化的信息,提供连接人与信息的新型服务,是国内移动互联网领域成长最快的产品服务之一”。自从2...

罗盛力
2016/07/30
163
0
基于内容的推荐Content-based Recommendation

简介 推荐系统通常是以web应用的形式与用户进行交互。通常,系统为用户展示一系列推荐商品,用户点击这些商品获得更详细的信息或是其他对这些商品的行为。例如,在线新闻网站以新闻头条的形式...

坐看流年
2013/06/17
0
0
推荐系统遇上深度学习(十四)--《DRN:A Deep Reinforcement Learning Framework for News Recommendation》

之前学习了强化学习的一些内容以及推荐系统的一些内容,二者能否联系起来呢!今天阅读了一篇论文,题目叫《DRN: A Deep Reinforcement Learning Framework for News Recommendation》。该论文...

石晓文的学习日记
06/12
0
0
推荐系统实践学习系列(一)好的推荐系统

主要学习内容: 1、什么是推荐系统 2、个性化推荐系统的应用 3 、推荐系统评测指标 4、 推荐系统评测 一:什么是推荐系统 场景:假如现在你要买一包花生米,你可以选择去便利店,找到货架,转...

徐代龙
06/05
0
0

没有更多内容

加载失败,请刷新页面

加载更多

开源 java CMS - FreeCMS2.8会员我的留言

项目地址:http://www.freeteam.cn/ 我的留言 从左侧管理菜单点击我的留言进入。在这里可以查看当前登录会员的所有留言记录。 查看留言 点击留言标题可以查看留言详细内容。 删除留言 选择留...

freeteam
6分钟前
1
0
OSChina 周五乱弹 —— 这就是不要女朋友的理由

Osc乱弹歌单(2018)请戳(这里) 【今日歌曲】 @狄安娜的猫 :分享丁家鑫的单曲《丁家鑫 - 克罗地亚狂想曲 - 古筝remix》 《丁家鑫 - 克罗地亚狂想曲 - 古筝remix》 手机党少年们想听歌,请...

小小编辑
37分钟前
276
11
CentOS配置Tomcat监听80端口,虚拟主机

Tomcat更改默认端口为80 更改的配置文件是: /usr/local/tomcat/conf/server.xml [root@test-a ~]# vim /usr/local/tomcat/conf/server.xml # 找到 Connector port="8080" protocol="HTTP/1......

野雪球
今天
6
0
《稻盛和夫经营学》读后感心得体会3180字范文

《稻盛和夫经营学》读后感心得体会3180字范文: 一代日本经营之圣稻盛和夫凭借刻苦勤奋的精神以及深植于佛教的商业道德准则,成为了“佛系”企业家的代表人物。在《稻盛和夫经营学》“领导人...

原创小博客
今天
4
0
java框架学习日志-5(常见的依赖注入)

依赖注入(dependency injection) 之前提到控制反转(Inversion of Control)也叫依赖注入,它们其实是一个东西,只是看的角度不同,这章详细说一下依赖注入。 依赖——指bean对象创建依赖于...

白话
今天
5
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部