丁正祁 彭余辉 孙刚

摘 要：结合用户兴趣与新闻时效性的特点，对传统推荐算法和标准LDA主题模型进行思考，提出一种基于LDA（Latent Dirichlet Allocation）的文档-主题-词的三层贝叶斯概率模型结合时间函数的推荐算法，采用Gibbs Sampling进行超参数推导，提升推荐效果。实验结果表明，该算法在适当参数设定下的推荐结果比协同过滤及标准的基于改进LDA模型的算法有更小的预测误差，向用户推荐偏好新闻更有效率。

关键词：LDA主题模型;贝叶斯模型;推荐算法;时间函数

中图分类号：TP391;O212.8  文献标识码：A  文章編号：1673-260X（2021）06-0028-05

在网络迅速发展的今天，随着各种新闻网站的出现，报纸等纸质新闻已经逐渐离开人们的视线，给人们带来了极大的方便，人们能够通过网络来了解自己所偏好的新闻信息，但随着新闻信息井喷式的增加与高速的更新效率，海量的信息带来了大量的无用新闻以及重复新闻，甚至无法使今日新闻及时准确地推荐给用户，导致用户的需求无法及时满足，失去用户对新闻网站的友好度[1]。但随着推荐系统的使用与普及，各大新闻网站通过适当的推荐算法对用户的偏好、浏览记录、点击率等信息进行分析整合，通过预测用户的兴趣计算出相应的推荐列表，将靠前的新闻信息推荐给用户。

当前在新闻推荐中主流的推荐算法包括基于内容的推荐和协同过滤推荐算法。基于内容的推荐算法是通过对用户浏览新闻历史进行提取关键词，进行统计整合，判断用户对新闻类别的偏好，再将与用户偏好新闻信息内容相似的新闻推荐给该用户，并且无冷启动问题。……