范洪博 杨笑锋 张 晶

(昆明理工大学信息工程与自动化学院 云南 昆明 650500)

0 引 言

基于用户喜好程度的高质量话题推荐是目前互联网产品的核心竞争力。传统话题推荐模型主要包括基于聚类的模型[1]、基于关联的模型[2]、基于协同过滤的模型[3]等，这些推荐模型将各话题对应文本根据关键词相似率等指标进行关联，一旦用户关注了某一话题，则根据文本关联度由高到低对用户推荐与该话题相关的其他话题。

但这些推荐方法存在下述缺点：1) 难以深入挖掘用户潜在需求；2) 推荐文本间信息重叠严重，话题单一，降低受众阅读信息量；3) 难以推荐新话题。这严重影响了用户的阅读体验，急需从新的视角研究用户话题推荐方法。

在网络用户中，物以类聚人以群分的现象非常严重。通常，具有相同或相近的人格属性特点的用户，思维方式比较接近，所关注的话题具有较强的相关性。由弗洛伊德的人格动力理论和奥尔波特的人格特质理论总结得出:人格是决定用户对特定话题是否无意识的喜好/厌恶，并形成阅读行为的重要因素。

而专业知识、从事职业、语言上下文环境，对特定话题的喜好/厌恶有较大的影响。用户背景相近的用户，因他们之间具备接近的专业知识等，对同一话题更容易产生接近的喜好/厌恶，即用户背景相似度也可能成为一种重要的话题推荐参考指标。

基于上述分析，本文提出一种融合用户背景和用户人格的话题推荐方法(CBG-CF)。……