陈昱霖，温源，周洪宇，李佳奇，李晨

（北京信息科技大学 计算机学院，北京 100011）

0 引言

随着信息时代的来临，互联网提供了非常便捷的消息获取方式，越来越多的人青睐于在线读取新闻报道。但在网络上有几百万篇来自不同渠道、不同领域的新闻报道，使用户迷失在海量数据中，以至于需要花费大量的时间和精力来甄别自己想看的新闻，即产生了＂ 信息过载＂问题。推荐系统（Recommendation System）是一种信息过滤系统，其根据分析用户的兴趣特点和历史行为数据，预测用户对物品的评分或偏好，帮助用户决策分析。好的推荐算法能够帮助用户快速定位目标，节约大量时间，提升用户体验，从而也能提高用户黏性。

推荐算法经过多年的研究，虽然形成了一些较为成熟稳定的体系，但推荐算法并没有形成统一的分类标准。国内外主流的推荐算法分类主要有：基于内容（Content-Based）的推荐、协同过滤（Collaborative-Filtering）推荐和混合推荐（CF+CB）。而协同过滤又 可分为基于邻域（Neighborhood-Based）的协同过滤和基于模型（Model-Based）的协同过滤。几类常用推荐算法的基本实现过程：

（1）基于内容的推荐算法：提取用户历史的特征，学习用户的兴趣特征表示，进而筛选出与用户历史喜欢相关性较强的内容；也可以根据用户选择的对象，推荐与当前对象具有相同特征的对象内容。

（2）协同过滤算法：主要思想是根据现有用户群以往的意见和行为，对当前用户最有可能感兴趣的物品进行推荐。

（3）混合推荐算法：将两种或两种以上算法和模型的优点结合在一起。一般分为整体式混合、并行混合、流水线混合等混合设计。

本文研究目的是开发一种针对于“新闻推荐”这一行为的解决方案，并且努力使这一解决方案具有较强的兼容性及应用性。通过研究混合推荐技术，设计并实现一套可行的新闻推荐系统。该系统最终会以一个轻量级程序的形式（例如微信小程序）展现出来。本文主要阐述新闻推荐系统的基本原理与实现。对于“推荐”这一行为，需要经过数据挖掘与清洗、推荐算法的选择与实现、推荐系统的评估以及推荐系统的优化等过程方能得以实现。

1 数据挖掘

数据挖掘是个性化推荐的第一步，也是推荐算法的计算依据。在这一步中将要对原始数据进行清洗与变形，该步骤的完整程度决定了后续推荐中的准确度。

1.1 数据预处理

数据预处理是指在利用数据进行建模或分析之前，对原生数据进行清洗与标准化的过程。对于利用爬虫等工具所获取的初始数据，由于具有一定的随机性，因此预处理是必不可少的一个环节。

1.1.1 新闻热度值

新闻热度值是该新闻是否被推荐的重要因素，其可以直观地看出一个新闻在当下受关注程度。每天都要对每条新闻的热度值进行计算，且要将每天的热度值存进数据库中方便调用。新闻热度值的计算公式为：

其中，为新闻热度值；为点击量；为当前日期；为发布日期。

在这样的计算方法下，既不会出现某条新闻的热度值持续过高，每次都进行推荐，也不会出现某条新闻连续推荐时间过长的现象。

1.1.2 数据标准化

数据标准化可以使不同新闻之间有一个更加公平的比对，其数据标准化有多种方式，本文采用的是Min-max 标准化。Min-max 标准化是将0～1 作为一个标尺，标准化后数值越靠近1，说明该新闻热度越高。标准化数值计算公式如下：

其中，heat为新闻热度标准化数值；为当日新闻热度；Min（）为往日热度最小值；Max（）为往日热度最大值。由公式可以看出，热度值标准化数值越大，表示其最近受关注度越高，越值得推荐。反之，则不值得推荐。

1.1.3 新闻分词处理

Jieba 是python的第三方中文分词库，可以将文本拆分成一个个词汇，且支持中、英文。虽然Jieba的搜索引擎模式与全模式都可以对新闻标题进行处理，但搜索引擎模式可以最大限度的对标题进行分词处理，不存在冗余数据。因此，本研究选择搜索引擎模式对其进行处理。

1.1.4 数据降维

数据降维可以使一个新闻的特征更加明显，在对新闻标题分词后，若分词过多则必然会产生一些停用词。当新闻标题分词后维度大于8 时，将分词中的停用词删除，直至该新闻分词维度小于等于8。

1.1.5 数据清洗

在计算出热度值的标准化数值后，可能会出现一些数据计算失误，导致其数据超出［0，1］区间或无法计算的情况，此时需要针对不同情况对其进行修正。

（1）数据无效：当新闻第一天出现的时候，其往日最大新闻热度值及最小值均为0，此时式（2）中分母为0 无意义，因此将热度标准化数值改为1。

（2）数据不一致：因为是混合推荐技术的新闻推荐系统，所以导入的数据集不只一个，而是多方提供的数据。因此，很可能在两方提供的数据中有相同的新闻，但其历史信息有所不同，导致计算标准化数值时出错。对于这种脏数据的处理，只保留一方的数据，另一方删除。

（3）数据缺失：在导入数据集过程中，新闻历史数据可能会出现缺失的情况。其原因可能为本身缺失或是导入过程中出现缺失。对于这种情况的处理办法为整例删除。

1.2 相似度计算

在计算两篇文章的相似度时，需要用到TF-IDF算法。简单理解来说，TF 为文章中的词频，IDF 为逆文本频率指数，IDF 越高，说明这个词汇越偏。当TF、IDF 都高时，该词汇很可能为中心词，在相似度计算时，每篇文章都取20个TF-IDF 最高的词，各放到一个集合里作为特征词。

1.2.1 欧氏距离

欧氏距离源自两点间的距离公式，在计算文章相似度时也可用到。其计算公式为：

其中，为欧氏距离，ab为、两组对应位置的元素，值越小，两篇文章相似度越高。

1.2.2 夹角余弦距离

、两向量取值方法与欧式距离向量、相同。计算公式为：

其中，为夹角余弦距离，A、B为、向量的第个元素。当余弦值越靠近1，说明相似度越大，否则相似度越小。

1.3 关联分析

在向用户进行新闻推荐时，需要根据用户的喜好来进行推荐，这样能够更好地提高用户的使用体验。通过Apriori 算法找出用户关注度高的话题，然后找到其中关联规则，从而向用户进行推荐。

2 混合新闻推荐算法设计

2.1 原理简述

首先通过映射，将三维系统转化为3个两维的系统：客户-客户、新闻-新闻、标签-标签。在此基础上对传统推荐算法进行简化和创新。其中包括：建立基于TF∗IDF的用户模型、优化用户对标签的喜好度评估算法、用户对标签的依赖程度评价、建立标签基因以对用户喜好溯源。根据以上分析对用户兴趣建模，挖掘用户感兴趣的新闻内容。

如前所述，推荐算法有多种，本项目中主要使用的是协同过滤推荐算法。该算法易理解也很有效，可最直接的反应人类大脑判断别人喜好的过程和步骤。该算法基本实现步骤如下：

（1）判断用户所喜欢事物的特征；

（2）在数据库中寻找与用户喜欢事物特征相似的事物；

（3）为特征相似的事物排序，判断其排序后最符合用户喜欢事物的特征，利用推荐算法判断用户喜好。

2.2 基于标签的推荐

2.2.1 数据标注

关键词是指能够反映文本语料主题的词语或短语。在不同的业务场景中，词语和短语具有不同的意义。如，从新闻中仅仅需要提取关键词就能够传达重要新闻内容。

数据标注是对数据进行唯一（或不唯一）的标注。标注有许多类型，由于本文探究的是新闻文本的推荐算法，所以只介绍文本类的标注，叫做分类标注。分类标注即打标签，一般指从既定的标签中选择数据对应的标签，得到的结果是一个封闭的集合，常用在图像、文本中。

数据标注步骤如下：

（1）确定标注标准：设置标注样例和模板（如标注颜色时对应的比色卡等）。对于模棱两可的数据，制定统一的处理方式。

（2）确定标注形式：标注形式一般由算法人员确定。例如，在垃圾问题识别中，垃圾问题标注为1，正常问题标注为0。

（3）确定标注方法：可以使用人工标注，也可以针对不同的标注类型采用相应的工具进行标注。

2.2.2 标签的分类

传统基于标签的检索采用强制匹配方式，把查询条件包含的标签关联的项目作为检索结果。该检索方式没有考虑标签的关系，如同义或多义、相关或不相关等。因此，如果用户给出的查询条件不恰当，将导致检索结果不符合要求。通过研究标签关系，可以对用户的查询条件进行语义化扩展，进而得到用户更想得到的检索结果。例如用户搜索‘苹果’一词时，可以检索出‘apple＇。由此，可以将标签关系分为：不相关、同义相关以及多义相关。如图1 所示：

图1 标签相关度Fig.1 Relevance of tags

其中，图1（a）表示标签与的语义集合不相交，即标签、不相关；图1（）表示标签、语义集合部分相交，虽然在一定程度上存在语义重叠，但都可以表示自己特有的语义；图1（c）表示标签、的语义集合基本上重叠，因此这两个标签属于同义标签。

2.2.3 基于TD-IDF的关键词提取

TF-IDF 是一种用于资讯检索与文本挖掘的常用加权技术。TF-IDF 算法的主要思想是：如果某个词或短语在一篇文章中出现的频率（TF）高，并且在其他文章中很少出现，则认为此词或短语具有很好的类别区分能力，适合用来分类。

通常，在一篇新闻内容中提取关键词不能只考虑词频（TF），因为有大量的介词、虚词等无关紧要的词将对模型产生影响。为了减少这些词对推荐模型的影响程度，就需要逆文档频率，其能够削弱大多数文档中常用的高频词汇的权重，对小部分文档中出现的低频词汇进行权重增强达到均衡。于是TFIDF 特征权重计算公式可以概括为：

式中，为文本总数；tf为特征项在文档中出现的次数； n为包含特征项的文档数。

为了降低个别高频特征词对其他低频特征词的抑制作用，通常要对特征的权重进行归一化处理。TFIDF的归一化形式为：

根据此算法计算某特征词的TFIDF值，当w大于某个阈值时，将其认为是关键词，极大程度避免了一些具有偶然性的高频词对模型产生较大影响。TFIDF 算法提取关键词的步骤为：

（1）对标题进行分词并进行停用词去除；

（2）计算TFIDF值；

（3）生成关键词；

（4）在jieba 分词结果中提取TFIDF 计算出来的关键词。

3 新闻推荐系统实现

本项目所设计的推荐系统主要以网页的形式呈现。由于后端的推荐算法是由python 设计的，为了后端与前端的交互方便，前端网页计划使用django框架制作，并且利用bootstrap和jquery 优化网页效果。

Django 作为主流且热门的网站框架，其使用的程序结构与MVC 类似，采用的是MVT（model，view，template）架构。其中model 主要用于与对数据库进行定义以及数据库的交互；view 类似于jsp 中的controller，用于后台控制网站的行为；template 即为“模板”，用于显示网页的前端效果。与MVC模式相比较，MTV模式下的开发复用性更好，一个template 可以同时供多个网站使用，只需加入不同的内容即可。这样既可以保证整个网站的风格统一，又降低了开发成本。由于Django 使用python 作为开发语言，因此很多底层功能可以直接使用现成的package，大大提升了开发效率。本项目主要针对推荐算法本身做文章，简单实用的Django 框架便是众多开发工具中最理想的选择。

3.1 前端设计

网站的前端设计主要涉及template的设计与开发。与jsp 技术不同，在Django 框架下，一个html 网页并不单单作为一个页面来使用，而是充当一个可以多次复用的模板。

模板功能的实现：当用户登入一个Django 框架的网站时，首先通过URL 控制器进行路由分发，匹配合适的view 视图函数；view 函数会根据程序员编写的流程，对models 进行读取或者是直接渲染一个模板返回到用户界面。不同的view 视图函数，能够对同一模板做渲染，且模板中的内容会根据view 传递的参数发生变化。这样的设计便能够让风格变化不大的页面进行复用，降低了大量的开发成本。整个框架的运行流程如图2 所示。

图2 MTV 结构的运行流程Fig.2 Operation process of MTV structure

所有的网页结构都基于导航栏与正文两个部分组成，导航栏在上方，这是一种基本的页面结构。主页模板布局如图3 所示。

图3 主页模板布局Fig.3 Homepage template layout

前端除了templates的设计，还涉及到对后端数据的展示。在该框架下先由控制器将数据处理好之后，通过相应API 传送到模板中。以主页为例，该页面需要的参数有新闻标题、新闻分类标签、用户信息等。其中，新闻标题和新闻标签作为一个列表传入页面中，用户信息只需传入一个用户名即可。在后台中，新闻列表将根据用户的信息进行排序，处理好后再进行输出。

在模板中调用参数的方式与在JSP 技术中相似，通过循环传入的参数，将列表中的每个元素利用遍历的方式显示在页面中。值得一提的是，本项目所有的页面都使用了bootstrap 来美化网页外观。且由于bootstrap 是一个响应式框架，因此使用bootstrap 能够让网页在不同尺寸的设备下不发生显示错位的问题。

3.2 后端设计

3.2.1 views 简述

在Django 框架中，负责后端行为的文件是views.py。在该文件下，网页开发者可以通过编写函数来控制网页的输出与数据的处理。同时，views 还负责与models的交互，通过models 对数据库进行读取与写入。在本项目中，数据库系统使用的是sqlite，该系统虽然是单线程的，但是由于其轻量且易移植的特性，特别适合本项目的数据存储。

views 主要由模板渲染模块、新闻推荐模块、用户管理模块3个部分组成。其中，模板渲染模块负责对处理好的新闻数据进行渲染，并输出到页面中供用户观看阅读；新闻推荐模块主要负责根据相关规则，对数据库中的新闻数据进行排序处理，最终生成一个列表，递交给渲染模块进行输出；用户管理模块主要负责存取用户的相关信息，在新闻推荐模块中利用用户的一些信息，作为对用户推荐的依据。

3.2.2 新闻推荐模块的实现

新闻推荐模块为后端核心模块，其主要有3 种推荐方式：

方式一：先计算出每个新闻的热度值，再根据热度值对新闻进行降序排序输出。每个新闻热度值计算规则如下：

其中，为该新闻被浏览次数；为该新闻被评论次数；为新闻发表日期与当前日期的时间差。

经过计算将每个新闻的热度值单独存储成一个字段，放入新闻记录中。当需要从新闻热度来对新闻做推荐时，只需要依据每条新闻的热度在列表中将其降序排列，即可得到一个热度从高向低的一个列表。最后将列表递交给渲染模块输出即可。热度推荐策略流程如图4 所示。

图4 热度推荐策略Fig.4 User recommendation strategy

方式二：根据新闻门类进行推荐。首先，需要对所有的新闻标题进行分词处理。一般而言，新闻的标题便总结了整篇新闻的主旨。因此，只要提取出每份新闻标题中出现频率最多的词汇，基本上就能断定这篇新闻的门类与属性。在本项目数据集中，共有1 000条新闻，这些新闻经过jieba 分词之后，共获得了22个关键词。将这22个关键词利用原生sql 语句进行分类，便可以分别得到22个新闻列表，将这些新闻列表传递给渲染模块输出即可。由于该方案需要较大的存储空间，因此可以通过网页中的表单传给后台需要的新闻门类，再利用sql 语句返回一个该新闻门类的列表，将22个列表压缩至一个，则减轻了服务器的负担。

方式三：根据用户的信息标签进行推荐。在新用户注册时，用户会选择几项感兴趣的门类，这些门类是通过数据库中新闻的分词结果动态显示，并不是固定好的。用户选择之后，在对网站的访问过程中，后端会优先显示其感兴趣的门类。这种推荐方式主要是为了应对推荐系统的“冷启动”问题。在推荐数据成型之前，使用标签推荐来应对推荐系统没有充足数据进行推荐分析的情况。同样，利用sql语句对需要的新闻对象整理成一个链表后渲染输出。在页面中，通过迭代循环的方式来读取新闻标题。标签推荐方式流程如图5 所示。

图5 标签推荐流程Fig.5 Label recommendation process

4 结束语

本文通过对混合推荐算法的探索与阐述，大致总结了市面上主流推荐算法的特点与实现方式。在实际的开发过程中，不同的推荐算法往往对某一特定类型的情况有较好的适应性。因此，解决推荐算法的最佳方案方式便是“博采众家之长”，不同的环境使用不同的推荐算法。因此，研究混合推荐技术是发展推荐算法的重要一步。本文针对混合推荐算法提出的一些浅薄的见解，希望能够给后续的研究提供参考。