翁海瑞 林 穗 何立健

（广东工业大学计算机学院 广州 510006）

1 引言

随着电子设备和通信系统的发展，在线的信息源不断的增长，互联网的快速发展在给我们生活带来便捷的同时也带来了“信息过载”问题。为了解决“信息过载”问题，让我们可以轻松获取有价值的信息，推荐系统［1］在很多大型互联网企业得到了广泛应用，例如：购物（如亚马逊）［2］，音乐（如网易云音乐）和电影（如Netflix）［3］。相对于搜素引擎来说，推荐系统无需人工搜索就可以把信息推送给特定的客户，一般通过计算用户-项目的相似度来实现。在新闻领域，人们的阅读习惯越来越碎片化。如何能有效地过滤信息，帮助用户找到感兴趣的文章给新闻研究者带来了巨大的挑战。

结合新闻文章属性和用户的兴趣偏好进行匹配推荐是新闻推荐的常用方法［4～5］。通过兴趣相似的用户推荐新闻，可以很好地捕捉用户潜在兴趣［6］。当用户没有足够的浏览记录和用户数量时，会导致用户和项目的冷启动问题。文献［7］提出基于显示语义分析感知的个性化推荐方法。研究者基于内容推荐和协同过滤推荐提出了混合推荐模型［8～9］，文献［10］对混合推荐模型进行了改进，在融合协同过滤推荐和基于内容推荐基础上，使用了用户模型的最近邻算法。虽然国内外研究已经取得了一定的进展［11～18］，但是个性化的新闻推荐［19～20］仍然是一个具有挑战性的问题。首先，在许多新闻推荐系统中，基于用户的个人历史资料是片面的，没有很好评估用户对历史新闻的偏好程度。……