融合长短时序与文本分类的新闻推荐模型

为了更好地向用户准确推荐兴趣新闻,构建一种融合长短时序与文本分类的新闻推荐模型。根据用户兴趣随时间变化的特点,分别获取用户长短时序偏好。将用户长序时间聚类为时间簇,融合Bert模型和文档主题生成模型进行文本自动分类捕捉用户兴趣分布,提取各时间簇兴趣分布获得长时序偏好。对用户短时序中的单个时间点兴趣进行词频分析,获得用户短时序偏好。最后融合长短时序偏好,使用余弦相似度算法获得近似偏好用户并推荐新闻。实验结果表明,所提模型相比基于增量协同过滤和潜在语义分析的混合推荐算法与基于用户行为的新闻推荐算法在精准率、召回率和和F值等方面均有提高,在一定程度上提升了推荐效果。

融合节点标签与强弱关系的链路预测算法

如何通过已知路径结合相关属性信息和不同关系强度进行链路预测是一个难题。为了解决这个问题,提出融合节点标签与强弱关系的链路预测算法。选取两个中心节点,采用基于双半径节点标签算法计算以其为中心的所有网络节点标签;生成中心节点带有节点标签的h深度局部子图;提取局部子图并将其作为目标网络获得特征矩阵,在对特征矩阵进行矩阵分解的同时融入节点属性信息与强弱关系,赋予动态权值,构建相似度矩阵。实验结果表明,与常见的基于共同邻居算法、基于网络嵌入等链路预测算法相比,该算法的精确度最高提升1.83%,且其预测结果的精确度和效率明显提升,同时能够有效且准确地挖掘各节点的内部相关性。