基于用户点击行为的新闻个性推荐
基于用户点击行为的新闻个性推荐
满小茂 发表于3个月前
基于用户点击行为的新闻个性推荐
  • 发表于 3个月前
  • 阅读 80
  • 收藏 1
  • 点赞 1
  • 评论 2
摘要: Personalized News Recommendation Based on Click Behavior

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》

 

共有 人打赏支持
粉丝 63
博文 126
码字总数 119887
评论 (2)
静斯
厉害了~666
满小茂

引用来自“静斯”的评论

厉害了~666
谬赞了
×
满小茂
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
* 金额(元)
¥1 ¥5 ¥10 ¥20 其他金额
打赏人
留言
* 支付类型
微信扫码支付
打赏金额:
已支付成功
打赏金额: