【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及人工智能，更具體地，本專利技術(shù)涉及一種基于模型的人工智能實時新聞推薦系統(tǒng)。
技術(shù)介紹
1、現(xiàn)有的新聞推薦系統(tǒng)多采用基于內(nèi)容的推薦或協(xié)同過濾等算法，旨在根據(jù)用戶的歷史行為或相似用戶的行為來推薦新聞內(nèi)容。這些系統(tǒng)在一定程度上能夠提供個性化的新聞推薦，但由于新聞數(shù)據(jù)的海量性和用戶行為的多樣性，現(xiàn)有技術(shù)在實時性、準(zhǔn)確性和個性化推薦方面仍存在不足。例如，一些系統(tǒng)可能無法實時更新推薦內(nèi)容，或者在處理用戶行為數(shù)據(jù)時無法有效捕捉到用戶的最新興趣變化。此外，新聞內(nèi)容的多樣性和復(fù)雜性也要求推薦系統(tǒng)能夠更精準(zhǔn)地理解新聞數(shù)據(jù)內(nèi)容，而傳統(tǒng)的推薦算法在文本處理和語義理解方面可能不夠深入。
2、在實現(xiàn)本專利技術(shù)實施例過程中，發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在如下問題或缺陷：現(xiàn)有系統(tǒng)在新聞推薦時往往忽視了新聞內(nèi)容的實時性和用戶行為數(shù)據(jù)的多維度分析，導(dǎo)致推薦結(jié)果可能不夠精準(zhǔn)和及時。同時，對于新聞內(nèi)容的深度理解和用戶興趣的動態(tài)變化捕捉不足，限制了推薦系統(tǒng)的性能和用戶體驗的提升。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)提供了一種基于模型的人工智能實時新聞推薦系統(tǒng)，包括：
2、數(shù)據(jù)采集模塊，用于從多個新聞源實時采集新聞數(shù)據(jù)；
3、數(shù)據(jù)預(yù)處理模塊，用于對采集到的新聞數(shù)據(jù)進(jìn)行清洗和轉(zhuǎn)換；
4、模型訓(xùn)練模塊，用于采用協(xié)同過濾算法構(gòu)建推薦模型；
5、推薦模塊，用于根據(jù)推薦模型為每個用戶生成和推送個性化新聞推薦列表。
6、進(jìn)一步地，所述數(shù)據(jù)采集模塊采集的新聞數(shù)據(jù)包括新
7、進(jìn)一步地，所述數(shù)據(jù)預(yù)處理模塊對采集到的新聞數(shù)據(jù)進(jìn)行清洗，去除噪聲數(shù)據(jù)、重復(fù)數(shù)據(jù)以及格式錯誤的數(shù)據(jù)。
8、進(jìn)一步地，所述數(shù)據(jù)預(yù)處理模塊將新聞數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)格式，具體步驟包括：
9、對新聞數(shù)據(jù)進(jìn)行分詞處理，提取關(guān)鍵詞；
10、使用word2vec模型將提取的關(guān)鍵詞轉(zhuǎn)換為向量形式，具體步驟為：為每個關(guān)鍵詞分配一個初始隨機向量，通過訓(xùn)練數(shù)據(jù)調(diào)整每個關(guān)鍵詞的向量以捕捉其上下文信息，最終每個關(guān)鍵詞被表示為一個固定維度的向量；
11、將新聞內(nèi)容表示為向量形式，向量的每一維對應(yīng)一個特定的關(guān)鍵詞或特征，其權(quán)重根據(jù)關(guān)鍵詞在新聞中的出現(xiàn)頻率和逆文檔頻率確定，其中為新聞總數(shù)，為包含關(guān)鍵詞的新聞數(shù)量；
12、新聞內(nèi)容向量中關(guān)鍵詞的權(quán)重。
13、進(jìn)一步地，所述數(shù)據(jù)預(yù)處理模塊構(gòu)建用戶-新聞瀏覽矩陣其中矩陣的行表示用戶，列表示新聞，矩陣元素表示用戶對新聞的瀏覽行為量化值。用戶-新聞瀏覽矩陣的具體形式為：
14、其中，為用戶數(shù)量，為新聞數(shù)量，的具體含義如下：如果用戶對新聞的瀏覽時長超過特定閾值，則，否則；
15、點贊、評論或分享行為分別對應(yīng)加權(quán)值，點贊，評論，分享。
16、進(jìn)一步地，矩陣元素的量化方法為：
17、如果用戶對新聞的瀏覽時長超過特定閾值，則，否則；
18、點贊、評論或分享行為分別對應(yīng)加權(quán)值，點贊，評論，分享。
19、進(jìn)一步地，所述模型訓(xùn)練模塊采用協(xié)同過濾算法構(gòu)建推薦模型，包括以下步驟：
20、計算用戶之間的相似度，使用公式：
21、其中，和分別表示兩個不同的用戶，和分別表示用戶和用戶瀏覽過的新聞集合，表示用戶對新聞的瀏覽行為量化值，表示用戶對新聞的瀏覽行為量化值。為了避免數(shù)據(jù)稀疏性問題對相似度計算的影響，引入用戶活躍度懲罰因子 和修正后的用戶相似度公式為：
22、
23、預(yù)測目標(biāo)用戶對未瀏覽新聞的感興趣程度的評分，計算公式為：
24、其中，表示與目標(biāo)用戶相似度高的用戶集合（相似度大于設(shè)定閾值，為目標(biāo)用戶瀏覽過的新聞的平均評分其中為目標(biāo)用戶瀏覽過的新聞集合，為用戶瀏覽過的新聞的平均評分。
25、進(jìn)一步地，用戶相似度計算公式為：同時，為了避免數(shù)據(jù)稀疏性問題對相似度計算的影響，引入用戶活躍度懲罰因子和修正后的用戶相似度公式為：
26、進(jìn)一步地，新聞推薦預(yù)測公式為：其中，表示與目標(biāo)用戶相似度較高的用戶集合，為目標(biāo)用戶瀏覽過的新聞的平均評分，為用戶瀏覽過的新聞的平均評分瀏覽過的新聞的平均評分。
27、進(jìn)一步地，所述推薦模塊根據(jù)模型訓(xùn)練模塊得到的推薦模型，針對每個用戶，選取預(yù)測評分較高（大于設(shè)定推薦閾值）的新聞作為推薦新聞列表，并按照新聞的發(fā)布時間、熱度等因素對推薦新聞列表進(jìn)行排序，將排序后的推薦新聞實時推送給對應(yīng)的用戶，其中熱度計算公式為，為新聞的瀏覽量，為點贊量，為評論量，為分享量，為相應(yīng)的權(quán)重系數(shù)，且。
28、根據(jù)本專利技術(shù)的上述實施例至少具有以下有益效果：本專利技術(shù)所述系統(tǒng)通過實時采集多源新聞數(shù)據(jù)，并結(jié)合用戶行為數(shù)據(jù)進(jìn)行深度分析，可以為用戶提供更加精準(zhǔn)和個性化的新聞推薦。系統(tǒng)采用的協(xié)同過濾算法能夠捕捉用戶興趣的變化，同時，通過數(shù)據(jù)預(yù)處理模塊對新聞數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理，可以更有效地理解和匹配用戶的興趣點，提高推薦的相關(guān)性。
29、此外，系統(tǒng)通過構(gòu)建用戶-新聞瀏覽矩陣，量化用戶的瀏覽行為，并結(jié)合熱度等因素對推薦新聞進(jìn)行排序，可以確保用戶接收到的新聞不僅符合其個人興趣，而且具有較高的時效性和受歡迎程度。這種綜合考慮用戶行為和新聞熱度的推薦機制，可以提升用戶的閱讀體驗和滿意度。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點】
1.一種基于模型的人工智能實時新聞推薦系統(tǒng)，其特征在于，包括以下模塊：
2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)采集模塊采集的新聞數(shù)據(jù)包括新聞標(biāo)題、新聞內(nèi)容、新聞發(fā)布時間、新聞類別、新聞來源以及用戶瀏覽新聞的行為數(shù)據(jù)，所述用戶瀏覽新聞的行為數(shù)據(jù)包括用戶標(biāo)識、瀏覽時間、瀏覽時長、點贊、評論和分享操作信息。
3.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)預(yù)處理模塊對采集到的新聞數(shù)據(jù)進(jìn)行清洗，包括去除噪聲數(shù)據(jù)、重復(fù)數(shù)據(jù)以及格式錯誤的數(shù)據(jù)。
4.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)預(yù)處理模塊將新聞數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)格式，具體步驟包括：
5.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)預(yù)處理模塊構(gòu)建用戶-新聞瀏覽矩陣，其中矩陣的行表示用戶，列表示新聞，矩陣元素表示用戶對新聞的瀏覽行為量化值，用戶-新聞瀏覽矩陣的具體形式為：其中，為用戶數(shù)量，為新聞數(shù)量，的具體含義如下：如果用戶對新聞的瀏覽時長超過閾值，則，否則；點贊、評論或分享行為分別對應(yīng)加權(quán)值，點贊，評論，分享。
6.根據(jù)權(quán)利要求5所述的系統(tǒng)，其特征在
7.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述模型訓(xùn)練模塊采用協(xié)同過濾算法構(gòu)建推薦模型，包括以下步驟：
8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，用戶相似度計算公式為：
9.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，新聞推薦預(yù)測公式為：
10.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述推薦模塊根據(jù)模型訓(xùn)練模塊得到的推薦模型，針對每個用戶，選取預(yù)測評分高的新聞作為推薦新聞列表，并按照新聞的發(fā)布時間、熱度等因素對推薦新聞列表進(jìn)行排序，將排序后的推薦新聞實時推送給對應(yīng)的用戶，其中熱度計算公式為，為新聞的瀏覽量，為點贊量，為評論量，為分享量，為相應(yīng)的權(quán)重系數(shù)，且。
...【技術(shù)特征摘要】
1.一種基于模型的人工智能實時新聞推薦系統(tǒng)，其特征在于，包括以下模塊：
2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)采集模塊采集的新聞數(shù)據(jù)包括新聞標(biāo)題、新聞內(nèi)容、新聞發(fā)布時間、新聞類別、新聞來源以及用戶瀏覽新聞的行為數(shù)據(jù)，所述用戶瀏覽新聞的行為數(shù)據(jù)包括用戶標(biāo)識、瀏覽時間、瀏覽時長、點贊、評論和分享操作信息。
3.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)預(yù)處理模塊對采集到的新聞數(shù)據(jù)進(jìn)行清洗，包括去除噪聲數(shù)據(jù)、重復(fù)數(shù)據(jù)以及格式錯誤的數(shù)據(jù)。
4.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)預(yù)處理模塊將新聞數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)格式，具體步驟包括：
5.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)預(yù)處理模塊構(gòu)建用戶-新聞瀏覽矩陣，其中矩陣的行表示用戶，列表示新聞，矩陣元素表示用戶對新聞的瀏覽行為量化值，用戶-新聞瀏覽矩陣的具體形式為：其中，為用戶數(shù)量，為新聞數(shù)量，的具體含義如下：如果用戶對新聞的瀏覽...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：向申戀，凌心怡，孟明，
申請(專利權(quán))人：中國傳媒大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。