李薇 程科

江苏科技大学 江苏 镇江 212008

引言

信息时代，网络新闻的生产和传播速度都呈爆炸式增长。通过个性化新闻推荐系统[1]，用户可以在更少的时间里得到更感兴趣的新闻。

协同过滤算法[2]分为基于用户的协同过滤算法[4]和基于商品的协同过滤算法[5]。新闻系统中的用户数变化相对固定，所以基于用户的推荐算法的性能较好。但是新闻内容特点需要不断调整同类用户的新闻信息表[8]。当数据量较大时，算法的时间复杂度[8]过大。

针对以上问题，本文提出了一种基于新闻时效性的方法，通过建立新闻的时效性模型[9]，结合新闻时效性特点改进了基于用户的协同过滤算法[5]中对于最近邻用户的选择。在维护用户相似度矩阵时，为了保持新闻信息的高及时性，对新闻集进行过滤。这样新闻数据量大也能保持算法的高性能。本文利用改进的算法对南京日报网上新闻系统的新闻和用户行为数据集进行了仿真，验证了该方法的有效性。

1 新闻时效性模型和基于用户的协同过滤推荐算法

1.1 新闻时效性模型

1.1.1 信息老化。贝尔纳在1959年提出了信息老化的负指数模型，用以确定文献信息的价值与时间的关系，下式（1）为基于信息老化的负指数模型[10]公式：

1.1.2 新闻时效性模型。为了研究网络新闻信息的老化过程，通过引入文献信息老化模型辅助分析，可以给出一种定量判断新闻时效性的方法。本文对网络新闻时效性模型做出界定：

1.1.2.4 定义4（新闻所属主题簇S，主题簇新闻平均最高访问效果时刻）：在新闻的实际传播中，初始时刻可能会出现由于新上架而导致的低访问量问题，从而导致与负指数模型拟合效果差问题；……