基于Android智能終端的個(gè)性化新聞推薦系統(tǒng)?

李 潔，周晨程，陳慧萍，華嬌嬌，趙衎衎，秦瑩瑩

（河海大學(xué)物聯(lián)網(wǎng)工程學(xué)院，常州213022）

基于Android智能終端的個(gè)性化新聞推薦系統(tǒng)?

李 潔，周晨程，陳慧萍，華嬌嬌，趙衎衎，秦瑩瑩

（河海大學(xué)物聯(lián)網(wǎng)工程學(xué)院，常州213022）

為更好的讓智能終端的新聞閱讀有針對(duì)性，本課題對(duì)新聞個(gè)性化推薦技術(shù)展開了研究，設(shè)計(jì)并實(shí)現(xiàn)了基于Android智能終端的個(gè)性化新聞推薦系統(tǒng)。系統(tǒng)采用C/S架構(gòu)，服務(wù)器端首先進(jìn)行新聞爬取和分類建模，然后根據(jù)新聞相似性和用戶閱讀行為，分階段利用三種推薦模型即基于新聞分類的粗粒度推薦、基于內(nèi)容的新聞推薦及基于內(nèi)容和基于用戶協(xié)同過濾混合的新聞推薦進(jìn)行個(gè)性化新聞推薦；客戶端負(fù)責(zé)個(gè)性化新聞閱讀以及用戶行為數(shù)據(jù)上傳。經(jīng)測(cè)試，本系統(tǒng)的分階段不同個(gè)性化推薦算法可以很好的滿足廣大用戶的個(gè)性化新聞閱讀需求。

新聞推薦；用戶模型；基于內(nèi)容；協(xié)同過濾；混合推薦

1 引 言

隨著移動(dòng)互聯(lián)網(wǎng)通信技術(shù)的普及和快速發(fā)展，移動(dòng)互聯(lián)網(wǎng)已成為網(wǎng)絡(luò)技術(shù)發(fā)展的主流，移動(dòng)互聯(lián)網(wǎng)已經(jīng)真正地融入人們的日常生活。與此同時(shí)，移動(dòng)終端設(shè)備的性能也在不斷提高，手機(jī)操作系統(tǒng)日趨智能化，依賴于移動(dòng)智能終端來(lái)處理工作生活中的各種事務(wù)已經(jīng)成為人們的習(xí)慣。為適應(yīng)市場(chǎng)需求，新浪，搜狐，網(wǎng)易等各大網(wǎng)絡(luò)在線新聞門戶網(wǎng)站紛紛推出自己的手機(jī)新聞客戶端。2014年2月24日，全球領(lǐng)先的移動(dòng)互聯(lián)網(wǎng)第三方數(shù)據(jù)挖掘和整合營(yíng)銷機(jī)構(gòu)艾媒咨詢發(fā)布的《2013年中國(guó)手機(jī)新聞客戶端市場(chǎng)研究報(bào)告》顯示，2013年中國(guó)手機(jī)新聞客戶端用戶規(guī)模達(dá)到3.44億，同比增長(zhǎng)48.3%，環(huán)比增長(zhǎng)9.2%，手機(jī)新聞客戶端在中國(guó)手機(jī)網(wǎng)民中的滲透率達(dá)到60.4%［1］。目前市場(chǎng)上的此類應(yīng)用雖然擁有良好的人機(jī)交互界面和實(shí)時(shí)動(dòng)態(tài)更新海量新聞的強(qiáng)大能力，然而面對(duì)千差萬(wàn)別的用戶需求，仍沒有一款應(yīng)用能夠真正做到針對(duì)具體用戶的具體興趣愛好來(lái)對(duì)其進(jìn)行個(gè)性化新聞推薦，它們所謂的定制新聞和推薦都是非常粗粒度的推薦，不具備根據(jù)用戶歷史記錄及用戶興趣來(lái)學(xué)習(xí)和動(dòng)態(tài)更新用戶模型的能力。

個(gè)性化推薦系統(tǒng)，由Robert Armstrong等人在1995年的美國(guó)人工智能協(xié)會(huì)上被首次提出，其本質(zhì)在于根據(jù)收集到的用戶興趣特點(diǎn)，主動(dòng)向用戶提供用戶可能會(huì)感興趣的信息［2］。在信息過載的今天，個(gè)性化推薦在各個(gè)領(lǐng)域都發(fā)揮著重要作用。目前主流的個(gè)性化推薦算法可分為兩類，一類是基于內(nèi)容的，一類是協(xié)同過濾的，兩種算法各有側(cè)重點(diǎn)，較為成熟的個(gè)性化推薦應(yīng)用一般會(huì)將兩種推薦算法使用不同的方式和原理混合起來(lái)使用，以達(dá)到更加高質(zhì)量的推薦目的［3］。本課題將用戶使用情況分階段處理，在不同階段使用不同推薦算法以弱化推薦系統(tǒng)中常出現(xiàn)的冷啟動(dòng)和數(shù)據(jù)稀疏帶來(lái)的影響。

2 系統(tǒng)分析與總體設(shè)計(jì)

2.1 系統(tǒng)需求描述

系統(tǒng)主要用于實(shí)現(xiàn)用戶的個(gè)性化新聞推薦，能夠根據(jù)用戶的歷史行為來(lái)自動(dòng)獲取用戶的閱讀興趣，通過組合推薦技術(shù)從每天產(chǎn)生的海量新聞中挖掘出比較符合用戶閱讀興趣并且用戶從未閱讀過的新聞提供給用戶。另外為提高用戶體驗(yàn)滿意度，挖掘用戶其它方面的潛在興趣，在向用戶提供個(gè)性化推薦新聞的同時(shí)，還具有新聞分類閱讀、用戶私有系統(tǒng)設(shè)置、用戶收藏管理以及用戶信息管理等功能。利用該系統(tǒng)，用戶可以方便的了解感興趣的新聞事件，不需要浪費(fèi)太多精力去查找。而且更重要的是，該系統(tǒng)非常適用于用戶需求不是很明確的情況。

2.2 系統(tǒng)總體設(shè)計(jì)

根據(jù)系統(tǒng)需求描述，本課題設(shè)計(jì)實(shí)現(xiàn)了基于C/S架構(gòu)的個(gè)性化新聞推薦系統(tǒng)。服務(wù)器子系統(tǒng)主要有兩個(gè)目標(biāo)，一方面需要不斷地獲取最新新聞作為數(shù)據(jù)來(lái)源，另一方面接收來(lái)自客戶端的請(qǐng)求，提供個(gè)性化推薦新聞集［4］。根據(jù)上述目標(biāo)將服務(wù)器端分為三個(gè)功能模塊，分別是新聞爬取模塊、用戶建模及個(gè)性化推薦模塊和Web服務(wù)接口，其中Web服務(wù)接口用于服務(wù)器和客戶端間各種數(shù)據(jù)的交互以及公共服務(wù)的調(diào)度。客戶端子系統(tǒng)主要有三個(gè)目標(biāo)，其一，從服務(wù)器端獲取和展現(xiàn)針對(duì)用戶的個(gè)性化推薦新聞數(shù)據(jù)；其二，向服務(wù)器端發(fā)送用戶的喜愛指示器信息即用戶在客戶端的各種行為數(shù)據(jù)；其三，增進(jìn)用戶體驗(yàn)，增加用戶黏著度［4］?；谏鲜瞿繕?biāo)，將客戶端分為五個(gè)子模塊，分別是個(gè)性化推薦閱讀模塊、用戶行為實(shí)時(shí)上傳模塊、用戶信息管理模塊、用戶收藏管理模塊以及新聞分類展現(xiàn)閱讀模塊。在服務(wù)器端與客戶端的協(xié)作下滿足用戶的需求。圖1為系統(tǒng)架構(gòu)圖。

圖1 系統(tǒng)架構(gòu)圖

服務(wù)器子系統(tǒng)由新聞爬取模塊、用戶建模及個(gè)性化推薦模塊、Web服務(wù)接口三部分組成。新聞爬取模塊負(fù)責(zé)定時(shí)對(duì)預(yù)定義實(shí)時(shí)在線新聞?wù)军c(diǎn)URL進(jìn)行解析，獲取最新的新聞數(shù)據(jù)，并添加至數(shù)據(jù)庫(kù)，進(jìn)而調(diào)用Web公共服務(wù)接口進(jìn)行新入庫(kù)新聞的關(guān)鍵詞抽取、詞數(shù)統(tǒng)計(jì)以及雷同新聞過濾等操作。用戶建模及個(gè)性化推薦模塊在客戶端向服務(wù)器端Web服務(wù)發(fā)送請(qǐng)求后被調(diào)用，根據(jù)新聞之間相似性或者用戶之間相似性，結(jié)合用戶歷史行為數(shù)據(jù)集進(jìn)行用戶建模，從而利用分階段的不同個(gè)性化推薦算法生成推薦結(jié)果返回給客戶端并存入數(shù)據(jù)庫(kù)。Web服務(wù)接口負(fù)責(zé)與客戶端進(jìn)行數(shù)據(jù)交互，其數(shù)據(jù)交換格式采用輕量級(jí)的JSON格式。

客戶端子系統(tǒng)由用戶信息管理、用戶收藏管理、用戶行為實(shí)時(shí)上傳、新聞分類呈現(xiàn)閱讀以及個(gè)性化推薦閱讀五個(gè)模塊組成。在客戶端，新用戶首先必須完成用戶注冊(cè)，之后在登錄驗(yàn)證成功后進(jìn)入系統(tǒng)。系統(tǒng)根據(jù)用戶動(dòng)作使用輕量級(jí)的SOAP（簡(jiǎn)單對(duì)象訪問協(xié)議）開發(fā)包動(dòng)態(tài)調(diào)用Web服務(wù)接口來(lái)完成數(shù)據(jù)請(qǐng)求并將JSON格式數(shù)據(jù)返回給客戶端?？蛻舳嗽谑盏綌?shù)據(jù)后進(jìn)行解析，使用自定義的數(shù)據(jù)適配器進(jìn)行頁(yè)面布局，完成新聞列表及新聞具體內(nèi)容的顯示。在進(jìn)行具體新聞閱讀時(shí)，用戶可完成對(duì)該條新聞的評(píng)分，系統(tǒng)會(huì)實(shí)時(shí)將用戶對(duì)新聞的評(píng)分?jǐn)?shù)據(jù)上傳至服務(wù)器端數(shù)據(jù)庫(kù)。此外，為獲得更好的用戶體驗(yàn)，系統(tǒng)還具有用戶私人系統(tǒng)設(shè)置功能。

3 服務(wù)器端設(shè)計(jì)與實(shí)現(xiàn)

服務(wù)器端主要分為三大模塊，分別是定時(shí)新聞爬取、用戶建模及個(gè)性化推薦算法、Web服務(wù)，其分別采用Java和C＃語(yǔ)言開發(fā)實(shí)現(xiàn)［5］。遵循需求分析目標(biāo)，主要完成實(shí)時(shí)新聞數(shù)據(jù)的獲??；接受Web服務(wù)調(diào)用，對(duì)用戶行為數(shù)據(jù)和新聞進(jìn)行建模，使用分階段不同推薦算法進(jìn)行推薦結(jié)果的生成；調(diào)用公共服務(wù)，與客戶端進(jìn)行數(shù)據(jù)交互。服務(wù)器系統(tǒng)結(jié)構(gòu)圖如圖2所示。

圖2 系統(tǒng)服務(wù)器端功能模塊劃分

3.1 新聞爬取

預(yù)定義新浪、新華網(wǎng)、騰訊和搜狐四大主流在線新聞?wù)军c(diǎn)URL，提取當(dāng)前站點(diǎn)主頁(yè)的所有鏈接，判斷當(dāng)前鏈接所屬新聞分類，若不屬于預(yù)設(shè)新聞?lì)悇e中任何一類，則跳過繼續(xù)判斷下一個(gè)鏈接，相反，則對(duì)該鏈接進(jìn)行網(wǎng)頁(yè)源代碼解析，提取出新聞要素信息。在新聞要素信息過濾處理階段，首先使用現(xiàn)有的Java分詞Jar包來(lái)提取新聞標(biāo)題、摘要和關(guān)鍵字、主體內(nèi)容等。其次，由于每個(gè)站點(diǎn)的頁(yè)面布局等特征不同，需要根據(jù)不同站點(diǎn)的特征來(lái)分別進(jìn)行內(nèi)容過濾清理。最后若當(dāng)前新聞包含圖片信息，還需要提取出新聞圖片URL，在上述工作全部完成后，將爬取到的新聞要素插入至服務(wù)器端系統(tǒng)數(shù)據(jù)庫(kù)的news數(shù)據(jù)表中。在本輪的新聞數(shù)據(jù)爬取完成后，先后調(diào)用Web服務(wù)的關(guān)鍵詞提取、新聞詞數(shù)統(tǒng)計(jì)以及雷同新聞過濾接口，分別完成新入庫(kù)新聞關(guān)鍵詞提取，統(tǒng)計(jì)每條新聞內(nèi)容詞數(shù)以及雷同新聞過濾［6］。

3.2 用戶建模及個(gè)性化推薦

模塊是整個(gè)系統(tǒng)的核心和創(chuàng)新點(diǎn)所在。上文中已提到，本系統(tǒng)采用分階段不同推薦算法生成個(gè)性化推薦新聞，其分階段依據(jù)為用戶歷史行為數(shù)據(jù)量以及系統(tǒng)用戶群體規(guī)模。服務(wù)器端在接受Web服務(wù)調(diào)用后，判斷當(dāng)前所處階段，使用不同的推薦算法為目標(biāo)用戶產(chǎn)生符合階段特征的新聞列表。

第一階段，基于新聞分類的粗粒度推薦

由于缺乏新注冊(cè)用戶的歷史行為數(shù)據(jù)，那就意味著無(wú)法獲得用戶的興趣偏好，進(jìn)而無(wú)法為用戶提供高質(zhì)量的個(gè)性化的新聞推薦結(jié)果集。因此新進(jìn)系統(tǒng)用戶得到的個(gè)性化推薦新聞集實(shí)際上是按照用戶注冊(cè)時(shí)提供的感興趣新聞分類，將近兩日用戶未閱讀過的且屬于用戶感興趣新聞分類的新聞隨機(jī)混合后提供給用戶，是非常粗粒度的推薦結(jié)果。同時(shí)需要指出的是，該階段屬于用戶的最初歷史數(shù)據(jù)積累階段。

第二階段，基于內(nèi)容的新聞推薦

在用戶的歷史行為記錄數(shù)量達(dá)到系統(tǒng)設(shè)定的閾值時(shí)，系統(tǒng)開始使用基于內(nèi)容的個(gè)性化新聞推薦算法向用戶進(jìn)行推薦，其具體過程分為三個(gè)步驟。

（1）項(xiàng)目表示

在文本推薦領(lǐng)域，一般需要先將非結(jié)構(gòu)化數(shù)據(jù)的新聞轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)——關(guān)鍵詞集合的形式。本系統(tǒng)采用向量空間模型來(lái)表征一篇新聞，將所有新聞集合記為D＝｛d1，d2，...，dN｝，假設(shè)當(dāng)前新聞?dòng)洖閐i，則di可被表示為［7］：

其中Ki表示當(dāng)前新聞的第i個(gè)關(guān)鍵詞，wij表示新聞j中第i個(gè)關(guān)鍵詞的權(quán)重。將第i個(gè)關(guān)鍵詞在新聞j中出現(xiàn)的次數(shù)與新聞j總詞數(shù)的比值（即相對(duì)詞頻）作為wij。最終第i個(gè)關(guān)鍵詞在新聞j中的權(quán)重由公式（1）獲得：

其中TF（ki，dj）表示第i個(gè)關(guān)鍵詞在新聞j中出現(xiàn)的次數(shù)，SumWords（dj）表示新聞j總的詞數(shù)。抽取新聞關(guān)鍵詞的操作將在線下進(jìn)行，在每輪次的新聞爬取工作完成后，調(diào)用NLPIR分詞系統(tǒng)對(duì)新爬取的新聞進(jìn)行關(guān)鍵詞抽取和詞數(shù)統(tǒng)計(jì)并存至數(shù)據(jù)庫(kù)，方便日后進(jìn)行新聞之間相似性的計(jì)算。

（2）最近鄰查找

系統(tǒng)使用基于余弦相似度的方法來(lái)計(jì)算新聞之間的相似度。為提高推薦效率，本系統(tǒng)在新聞相似性比對(duì)時(shí)，會(huì)首先將用戶的閱讀歷史按照新聞大類進(jìn)行分類，選取用戶每個(gè)閱讀大類的最近50條用戶閱讀記錄來(lái)作為用戶歷史行為數(shù)據(jù)，學(xué)習(xí)用戶對(duì)該類新聞的閱讀偏好，建立用戶-項(xiàng)目評(píng)分矩陣。選取最近兩天爬取到的用戶未看過的該類新聞作為新的項(xiàng)目集合。對(duì)于每一個(gè)新的新聞，與用戶閱讀過的該類所有項(xiàng)目進(jìn)行余弦相似性的計(jì)算，其余弦相似性計(jì)算公式如（2）所示。

注A，B，表示兩篇新聞，n表示兩篇文檔關(guān)鍵詞的并集，Ai表示關(guān)鍵詞i在A新聞中的權(quán)重，Bi表示關(guān)鍵詞i在B新聞中的權(quán)重。

在上述相似性計(jì)算完畢后，從該類用戶閱讀過的所有新聞中找到與此新聞最相似的k篇新聞，然后依據(jù)用戶對(duì)這k篇新聞的評(píng)分來(lái)預(yù)測(cè)當(dāng)前用戶對(duì)此候選新聞的評(píng)分，其評(píng)分預(yù)測(cè)如公式（3）所示。

注：Prei，p表示用戶i對(duì)新聞p的評(píng)分預(yù)測(cè)，KNN集合表示新聞p的k近鄰集合，simp，n表示新聞p與n的相似度，Ri，n表示用戶i對(duì)新聞n的評(píng)分。

（3）推薦結(jié)果生成

將上述預(yù)測(cè)到的評(píng)分集合存儲(chǔ)至數(shù)據(jù)庫(kù)。在將評(píng)分集合按照評(píng)分高低進(jìn)行降序排列后，作為最后的推薦結(jié)果列表以JSON數(shù)據(jù)格式返回給客戶端。

第三階段，基于內(nèi)容和基于用戶協(xié)同過濾混合的新聞推薦

在用戶歷史行為記錄數(shù)量以及系統(tǒng)用戶群體數(shù)量增加至系統(tǒng)預(yù)設(shè)的更高閾值時(shí)，系統(tǒng)開始進(jìn)行基于內(nèi)容和基于用戶協(xié)同過濾的混合推薦。該混合推薦以基于用戶的協(xié)同過濾算法為主，在基于用戶的協(xié)同過濾算法生成推薦結(jié)果的質(zhì)量不足的情況下，輔以基于內(nèi)容的推薦結(jié)果，最后將兩種推薦算法生成的結(jié)果集混合后排序，存入數(shù)據(jù)庫(kù)并返回給客戶端。

在此之前，上文已對(duì)基于內(nèi)容的新聞推薦進(jìn)行了詳述，下文將主要對(duì)基于用戶的協(xié)同過濾算法進(jìn)行論述。該算法在傳統(tǒng)的協(xié)同過濾基礎(chǔ)上進(jìn)行了一定創(chuàng)新，即在用戶相似性比對(duì)之前，首先對(duì)用戶-評(píng)分矩陣中當(dāng)前用戶未有過行為item使用基于內(nèi)容的方法進(jìn)行評(píng)分預(yù)測(cè)，使得用戶之間共同評(píng)分的item集合增大，減弱數(shù)據(jù)稀疏性的影響［8］。

該改良后的算法由兩部分組成，分別是近鄰尋找及推薦結(jié)果集產(chǎn)生。

（1）近鄰尋找

首先計(jì)算用戶和閱讀過的新聞集合的并集Uij，預(yù)測(cè)用戶i和j在新聞集合Uij未閱讀新聞的評(píng)分，其預(yù)測(cè)方法與基于內(nèi)容的新聞評(píng)分預(yù)測(cè)相同。在上述預(yù)測(cè)結(jié)束后，集合Uij中的所有新聞評(píng)分已經(jīng)全部存在。則對(duì)于任意新聞p有p∈NRi，用戶i對(duì)新聞p的評(píng)分如公式（4）所示。

然后在新聞集合Uij上采用修正的余弦相似性方法來(lái)計(jì)算用戶i和用戶j之間的相似性，具體如公式（5）所示。

在用戶相似性計(jì)算完畢后，將相似性按照降序排序，找出當(dāng)前用戶的K近鄰用戶。

（2）推薦結(jié)果集產(chǎn)生

在找出當(dāng)前用戶的最近鄰用戶集合C后，接下來(lái)要產(chǎn)生推薦結(jié)果。設(shè)當(dāng)前用戶為Cu，用戶Cu對(duì)新聞i的預(yù)測(cè)評(píng)分為Pr（Cu，i），計(jì)算如公式（6）所示。

在公式中，sim（Cu，n）表示用戶Cu與用戶n的相似性，Rn，i表示用戶n對(duì)新聞i的評(píng)分表示用戶Cu對(duì)i項(xiàng)目的平均評(píng)分，Rn表示用戶n對(duì)項(xiàng)目i的平均評(píng)分。

3.3 Web服務(wù)

一般地，Web Service負(fù)責(zé)接收客戶端請(qǐng)求和返回請(qǐng)求數(shù)據(jù)。Web Service將函數(shù)接口暴露給客戶端，接受來(lái)自客戶端的請(qǐng)求，執(zhí)行相應(yīng)的函數(shù)［9］。根據(jù)其功能劃分，本系統(tǒng)的Web Service接口可分為五類。其一，用戶信息管理，能夠進(jìn)行用戶信息驗(yàn)證以及用戶信息獲取等操作。其二，用戶收藏管理，能夠?qū)Ψ?wù)器端數(shù)據(jù)庫(kù)中目標(biāo)用戶收藏?cái)?shù)據(jù)及客戶端SQLite數(shù)據(jù)庫(kù)中目標(biāo)用戶的收藏?cái)?shù)據(jù)進(jìn)行同步操作。其三，用戶行為實(shí)時(shí)上傳，能夠?qū)⒖蛻舳税l(fā)送的隱式或者顯式用戶行為存儲(chǔ)至用戶歷史行為記錄表。其四，公共服務(wù)關(guān)鍵詞抽取，新聞詞數(shù)統(tǒng)計(jì)等的調(diào)用。其五，新聞數(shù)據(jù)獲取，能夠根據(jù)客戶端請(qǐng)求，以JSON格式返回其所請(qǐng)求的新聞數(shù)據(jù)。

4 客戶端設(shè)計(jì)與實(shí)現(xiàn)

在本系統(tǒng)的客戶端，采用Android原生開發(fā)技術(shù)，主要提供用戶個(gè)性化新聞推薦的展示與閱讀［10］。同時(shí)遵循個(gè)性化系統(tǒng)的原理，將用戶對(duì)新聞的各種行為數(shù)據(jù)實(shí)時(shí)上傳至服務(wù)器端數(shù)據(jù)庫(kù)，不斷進(jìn)行用戶歷史數(shù)據(jù)的積累，以達(dá)到更好的推薦效果。此外，為增進(jìn)用戶體驗(yàn)和發(fā)現(xiàn)用戶潛在興趣，還附加了新聞分類呈現(xiàn)及用戶私人設(shè)置等功能?？蛻舳讼到y(tǒng)結(jié)構(gòu)圖如圖3所示。

圖3 系統(tǒng)客戶端功能模塊劃分

4.1 用戶信息管理

個(gè)性化推薦系統(tǒng)其本質(zhì)就在于根據(jù)用戶的歷史行為來(lái)發(fā)掘出用戶的興趣愛好，向用戶推薦他們可能喜歡的新聞。因此，為區(qū)分不同用戶的行為，系統(tǒng)就必須具備用戶注冊(cè)、登錄等功能。本系統(tǒng)在具備上述功能外，還在用戶信息管理模塊中提供了密碼找回以及包含系統(tǒng)字體設(shè)置和背光度設(shè)置在內(nèi)的用戶私人設(shè)置功能，使得系統(tǒng)有更加出色的用戶體驗(yàn)。

4.2 用戶收藏管理

本系統(tǒng)允許用戶收藏自己喜歡的新聞，同時(shí)若用戶收藏該條新聞則代表用戶對(duì)該新聞的評(píng)價(jià)最高。用戶在進(jìn)行收藏新聞的管理時(shí)，系統(tǒng)會(huì)調(diào)用Web服務(wù)接口將服務(wù)器端的收藏信息與客戶端同步，避免出現(xiàn)服務(wù)器端數(shù)據(jù)庫(kù)與客戶端數(shù)據(jù)庫(kù)信息不一致的情況。

4.3 用戶行為實(shí)時(shí)上傳

海量用戶行為數(shù)據(jù)是個(gè)性化推薦系統(tǒng)提供用戶高質(zhì)量推薦結(jié)果的重要保障。因此，客戶端必須能夠收集用戶對(duì)新聞的所有有用行為。本系統(tǒng)客戶端能夠?qū)崟r(shí)上傳用戶對(duì)具體新聞的顯式評(píng)分和隱式評(píng)分。所謂顯式評(píng)分即系統(tǒng)在新聞閱讀頁(yè)面下方會(huì)有四個(gè)級(jí)別評(píng)分的選項(xiàng)，分別是添加收藏、非常關(guān)注、一般關(guān)注和不關(guān)注，代表用戶對(duì)新聞的偏愛程度依次降低。而隱式評(píng)分指用戶在當(dāng)前新聞閱讀頁(yè)面的停留時(shí)長(zhǎng)。顯式評(píng)分和隱式評(píng)分在具體使用時(shí)，會(huì)經(jīng)過一定的轉(zhuǎn)化，從而協(xié)調(diào)統(tǒng)一［11］。

4.4 個(gè)性化推薦閱讀及新聞分類呈現(xiàn)

向用戶展示個(gè)性化推薦新聞是客戶端的主要目標(biāo)之一，用戶在進(jìn)入推薦頁(yè)面后，客戶端會(huì)自動(dòng)調(diào)用特定Web服務(wù)接口，Web服務(wù)調(diào)用個(gè)性化推薦算法模塊產(chǎn)生推薦結(jié)果。最后該Web服務(wù)接口以JSON格式返回個(gè)性化推薦結(jié)果，按照既定頁(yè)面布局顯示。由于推薦過程的復(fù)雜性，推薦結(jié)果的生成需要一定的時(shí)間，因此，本系統(tǒng)的個(gè)性化推薦及新聞分類呈現(xiàn)模塊都采用異步數(shù)據(jù)獲取的方式，杜絕應(yīng)用出現(xiàn)假死的情況。新聞分類呈現(xiàn)模塊與一般新聞客戶端相同，不同分類窗口展示不同類別的新聞，該模塊有助于用戶潛在興趣的進(jìn)一步挖掘。

5 結(jié)束語(yǔ)

課題設(shè)計(jì)并實(shí)現(xiàn)了基于Android智能終端的個(gè)性化新聞推薦系統(tǒng)，采用C/S的體系架構(gòu)和模塊化設(shè)計(jì)方式。在此闡述了系統(tǒng)的整個(gè)架構(gòu)、模塊劃分以及各模塊作用，主要論述了服務(wù)器端個(gè)性化新聞推薦和各個(gè)系統(tǒng)模塊的工作流程。大量的系統(tǒng)測(cè)試表明，本系統(tǒng)實(shí)現(xiàn)了新聞的個(gè)性化推薦閱讀，能夠很好地滿足廣大用戶的需求。

［1］ 艾媒咨詢.2013年中國(guó)手機(jī)新聞客戶端市場(chǎng)研究報(bào)告［EB/OL］.http：//www.iimedia.cn/37080.htm l，2014-03-03.

［2］ 百度百科.個(gè)性化推薦系統(tǒng)［EB/OL］.http：//baike.baidu.com/view/4362864.htm？fr＝aladdin，2013-04-29.

［3］ 唐朝.資源自適應(yīng)個(gè)性化新聞推薦系統(tǒng)的研究與實(shí)現(xiàn)［D］.杭州：浙江大學(xué)，2010.

［4］ Tavakolifard M，Gulla JA，Almeroth K C，et al.Tailored news in the palm of your hand：a multi-perspective transparentapproach to news recommendation［C］.//Proceedings of the 22nd international conference on World Wide Web companion.International World Wide Web Conferences Steering Committee，2013：305-308.

［5］ Christian Nage，Bill Evjen，等著.C＃高級(jí)編程（第7版）［M］.黃靜，等譯.北京：清華大學(xué)出版社，2010.

［6］ Lv Y，Moon T，Kolari P，et al.Learning to model relatedness for news recommendation［C］.//Proceedings of the 20th international conference on World wide web.ACM，2011：57-66.

［7］ 吳麗花，劉魯.個(gè)性化推薦系統(tǒng)用戶建模技術(shù)綜述［J］.情報(bào)學(xué)報(bào)，2006，25（1）：55-62.

［8］ 孫鐵利，楊焱.基于內(nèi)容預(yù)測(cè)的協(xié)同過濾推薦［J］.計(jì)算機(jī)科學(xué)，2005，32（8）：181-182.

［9］ 百度百科.Web Service［EB/OL］.http：//baike.baidu.com/link？url＝2EzKjNkG8Rb8CNxIf96oCk＿3ryICWEF2VLkQaXXeClS3SBmNtdoqM3aGJYE3OHXz，2014-04-15.

［10］ 李剛.瘋狂Android講義［M］.北京：電子工業(yè)出版社，2011.

［11］ 彭菲菲，錢旭.基于用戶關(guān)注度的個(gè)性化新聞推薦系統(tǒng)［J］.計(jì)算機(jī)應(yīng)用研究，2012，29（3）：1005-1006.

Personalized News Recommendation System Based on Android Intelligent Term inal

Li Jie，Zhou Chencheng，Chen Huiping，Hua Jiaojiao，Zhao Kankan，Qin Yingying
（College of Internet of Things Engineering，Hohai University，Changzhou 213022，China）

In order tomake the news reading in the intelligent terminalmore personalized，we design and implement the system of personalized news recommendation based on the Android intelligent terminal.The system，based on C/S structure，firstly crawls news and establishes the models with classifications in the server terminal，and then，in different phases to carry out the personalized news recommendation in accordance with similarities between news and users＇reading behaviors，uses different recommendation models such as the coarse-grained recommendation based on news classification，the news recommendation based on content and themixed recommendation based on news content and users collaborative filtering.The client terminal is used for reading personalized news and uploading user behavior data.After test，the personalized recommendation algorithm of the system in different phases can satisfy the users＇reading needs for the personalized news.

News recommendation；User-Model；Content-Based；Collaborative-filtering；Hybrid recommendation

10.3969/j.issn.1002-2279.2015.03.012

TP311

A

1002-2279（2015）03-0038-05

國(guó)家大學(xué)生創(chuàng)新實(shí)踐項(xiàng)目資助（201210294075）

李潔（1992-），女，江蘇人，學(xué)士，主研方向：計(jì)算機(jī)科學(xué)與技術(shù)。

2014-07-22