劉世杰+程齊凱

摘 要：網(wǎng)絡(luò)新聞是目前最重要的網(wǎng)絡(luò)應(yīng)用之一，其巨大的信息量產(chǎn)生了信息過載問題。為有效緩解信息過載問題，通過網(wǎng)絡(luò)調(diào)查、文獻研究、對比分析等研究方法分析了網(wǎng)絡(luò)新聞推薦中的相關(guān)策略，并利用系統(tǒng)分析的方法研究推薦系統(tǒng)模型?？偨Y(jié)出可應(yīng)用于網(wǎng)絡(luò)新聞領(lǐng)域的個性化推薦系統(tǒng)的推薦策略，構(gòu)建基于不同推薦策略的推薦系統(tǒng)模型，并分析了網(wǎng)絡(luò)新聞個性化推薦系統(tǒng)存在的問題和難點，提出其未來發(fā)展方向。

關(guān)鍵詞：網(wǎng)絡(luò)新聞；推薦策略；基于內(nèi)容推薦；協(xié)同過濾；混合式推薦

DOIDOI：10.11907/rjdk.171364

中圖分類號：TP319

文獻標識碼：A 文章編號文章編號：1672-7800（2017）008-0146-03

0 引言

隨著互聯(lián)網(wǎng)的高速發(fā)展和移動設(shè)備的快速普及，網(wǎng)絡(luò)新聞已經(jīng)成為最重要的網(wǎng)絡(luò)應(yīng)用之一，根據(jù)CNNIC第38次中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計，截至2016年6月，我國網(wǎng)絡(luò)新聞用戶規(guī)模為5.79億，網(wǎng)民的網(wǎng)絡(luò)新聞使用率達到了81.6%，而且，用戶規(guī)模還將持續(xù)高速增長。

與此同時，互聯(lián)網(wǎng)每天都會產(chǎn)生海量的信息，呈現(xiàn)幾何級數(shù)增長，網(wǎng)絡(luò)新聞亦是如此。海量的新聞信息在滿足用戶信息需求的同時，也產(chǎn)生了信息過載（Information Overlord）問題：受眾在將大量的信息轉(zhuǎn)化的過程中存在著“瓶頸”和“障礙”，無法將其內(nèi)化為自己所需知識而加以有效吸納，導(dǎo)致了“過載”[1]。簡言之，過量的新聞信息使得人們選擇自己所需新聞的難度越來越大，嚴重影響了用戶對新聞信息的閱讀和獲取體驗。

針對信息過載問題，目前主要的解決方案是信息檢索技術(shù)和個性化推薦技術(shù)。以搜索引擎為代表的信息檢索技術(shù)，用戶可以通過關(guān)鍵字檢索獲取自己所需信息，但同一關(guān)鍵字搜索的結(jié)果是一致的，無法滿足個性化的信息需求。而個性化推薦系統(tǒng)很好地解決了這一問題，它依據(jù)用戶的個性化需求、興趣愛好等，使用不同的推薦算法，自動將用戶感興趣的信息和產(chǎn)品推薦給用戶，為用戶提供個性化的服務(wù)，同時也能增加用戶依賴，提高用戶忠誠度[2]。

個性化推薦系統(tǒng)最早起源于B2C電子商務(wù)，電商平臺通過推薦系統(tǒng)推送用戶感興趣的商品，進一步轉(zhuǎn)化為商品購買，從而提高銷售量。隨著互聯(lián)網(wǎng)的快速發(fā)展，個性化推薦系統(tǒng)從電子商務(wù)延伸到了音樂、電影、廣告以及網(wǎng)絡(luò)新聞等領(lǐng)域，為用戶提供更加個性化的信息和產(chǎn)品服務(wù)。

本文對網(wǎng)絡(luò)推薦系統(tǒng)做了調(diào)查和分析，從宏觀視角綜述了網(wǎng)絡(luò)新聞個性化推薦系統(tǒng)的策略，總結(jié)了推薦策略存在的問題和難點，提出了未來發(fā)展方向。

1 體系結(jié)構(gòu)

一般而言，推薦系統(tǒng)由3個部分組成：用戶模塊、推薦對象模塊和推薦算法模塊（或叫推薦策略），這一系統(tǒng)的組成具有通用性[3]。在網(wǎng)絡(luò)新聞推薦系統(tǒng)中，與之對應(yīng)的是新聞用戶建模模塊、網(wǎng)絡(luò)新聞模塊以及推薦算法模塊，這一推薦系統(tǒng)的模型如圖1。

新聞用戶建模模塊利用用戶偏好獲取系統(tǒng)收集用戶興趣愛好，建立用戶特征數(shù)據(jù)庫；網(wǎng)絡(luò)新聞建模模塊提取、描述、建立網(wǎng)絡(luò)新聞的內(nèi)容特征；推薦算法模塊根據(jù)特定的模型，計算網(wǎng)絡(luò)新聞的內(nèi)容特征與用戶閱讀興趣特征之間的相似性，將相似性較大的網(wǎng)絡(luò)新聞推薦給用戶。

2 推薦策略

討論網(wǎng)絡(luò)新聞的個性化推薦策略，要把通用推薦系統(tǒng)的一般性和網(wǎng)絡(luò)新聞推薦的特殊性相結(jié)合。網(wǎng)絡(luò)新聞的時效性很強，新聞的發(fā)布速度快，更新速度快，生命周期非常短，不同于音樂、電影等。此外，用戶的閱讀興趣也很容易受當前熱點事件的影響。

傳統(tǒng)的網(wǎng)絡(luò)新聞推薦策略主要是對熱門新聞的推送和RSS訂閱。熱門新聞推送方式下，所有用戶得到的推薦結(jié)果都是相同的，缺乏個性化，而RSS訂閱是一種被動的推送，兩者都不是很好的推薦方式。目前在網(wǎng)絡(luò)推薦中應(yīng)用較多的推薦方式有4種：基于內(nèi)容的推薦（Content-based Recommendation）、協(xié)同過濾推薦（Collaborative Filtering Recommendation）、混合式推薦策略（Hybrid Recommendation）以及近幾年興起的基于社會化網(wǎng)絡(luò)的推薦（Social Network-based Recommendation）。這些推薦策略在網(wǎng)絡(luò)新聞推薦中廣泛應(yīng)用。

2.1 基于內(nèi)容的推薦

基于內(nèi)容的推薦方式借鑒了信息檢索的一些思想，根據(jù)用戶的歷史使用信息，檢索與用戶歷史使用信息相似度最大的產(chǎn)品和信息，將其推薦給用戶。這一推薦方式在網(wǎng)絡(luò)新聞的推薦中應(yīng)用較為廣泛，根據(jù)用戶閱讀過、評論、分享或者收藏的新聞，提取共性，建立用戶新聞偏好文件，根據(jù)一定的計算方法，計算用戶的偏好特征與待推薦新聞內(nèi)容特征的相似性，最后將相似性較大的網(wǎng)絡(luò)新聞推薦給用戶。

基于內(nèi)容的推薦方式的系統(tǒng)模型如圖2，設(shè)用戶s對于對象c的效用度，即兩者的特征匹配度為函數(shù)u（s，c），用戶的偏好特征為函數(shù)Preference（s），新聞的內(nèi)容特征為函數(shù)Content（c），則效用度u（s，c）是Preference（s）和Content（c）的函數(shù)[4]，即：

u（s，c）=score（Preference（s），Content（c））

score的計算方法有很多種，較為簡單的有計算向量夾角的余弦方法[5]等。

新聞閱讀中，用戶關(guān)注的是網(wǎng)絡(luò)新聞的內(nèi)容，因而，基于內(nèi)容的推薦方式是目前網(wǎng)絡(luò)新聞個性化推薦的主流方式。譬如，在移動端網(wǎng)絡(luò)新聞推薦中廣為應(yīng)用的基于新聞主題檢測和跟蹤的推薦方式，就是基于內(nèi)容推薦的方式。目前，很多移動新聞客戶端都采用這一推薦方式，提供給用戶主題和內(nèi)容相似度較高的新聞推薦。

2.2 協(xié)同過濾推薦

協(xié)同過濾推薦方式是較早出現(xiàn)的一種推薦策略，是目前較為成熟、且應(yīng)用最為廣泛的一種推薦策略，在B2C電商中被大量應(yīng)用，在網(wǎng)絡(luò)新聞推薦中也有著重要應(yīng)用。endprint

協(xié)同過濾是一種基于興趣相同的用戶以及喜好相同的項目進行的推薦，它依據(jù)與目標用戶興趣相似的用戶（鄰居用戶）的偏好信息，依據(jù)一定的規(guī)則，提供對目標用戶的推薦信息[6]。具體到網(wǎng)絡(luò)新聞推薦，先根據(jù)新聞用戶的歷史閱讀、分享、評論以及評價等使用信息，計算出用戶相似度，找出與其興趣相似的鄰居用戶集，再利用鄰居用戶的興趣偏好來預(yù)測目標用戶可能喜歡的新聞，并將其推薦給目標用戶。

協(xié)同過濾的推薦系統(tǒng)的簡單模型如圖3，目標用戶為u，鄰居用戶為n，鄰居用戶集為N，其算法核心是通過用戶相似度計算，得到u的鄰居用戶集N，借助鄰居用戶ui（s，c），預(yù)測目標用戶u的效用值u（s，c）[6]。

協(xié)同過濾推薦的方式可進一步分為兩種：基于記憶（或叫啟發(fā)式）的協(xié)同推薦（Memory-based）、基于模型的協(xié)同推薦（Model-based）[4，7]。兩者的主要區(qū)別在于：基于記憶的協(xié)同推薦是先找出目標用戶u的鄰居用戶集N，然后根據(jù)鄰居用戶ui對推薦對象s的使用和評價信息，預(yù)測s對u的效用值，從而判斷是否把s推薦給u；而基于模型的協(xié)同推薦則是利用目標用戶u已知的興趣偏好數(shù)據(jù)，訓(xùn)練、學(xué)習(xí)一個新的模型unew[3]，使用特定的計算模型，計算、預(yù)測模型unew對推薦對象s的效用值，從而判斷是否推薦。

新聞受眾的需求具有一定的穩(wěn)定性，即他們總是對特定主題和特定內(nèi)容的新聞?chuàng)碛谐志玫呐d趣，比如追星族和軍迷，前者需求的新聞總是與特定明星相關(guān)的娛樂新聞，后者則對軍事新聞需求較為穩(wěn)定。協(xié)同過濾推薦的方式很好地滿足了新聞受眾需求穩(wěn)定性的特征。對于某一網(wǎng)絡(luò)用戶，通過用戶相似度計算，分析其所屬的新聞用戶群體，提供特定主題和內(nèi)容的新聞，滿足用戶需求。

2.3 基于社會網(wǎng)絡(luò)的推薦

基于社會網(wǎng)絡(luò)的推薦是近幾年興起的一種推薦方式，Web2.0時代，網(wǎng)絡(luò)社交應(yīng)用盛行，網(wǎng)民的行為越來越網(wǎng)絡(luò)化和社區(qū)化[8]。社會網(wǎng)絡(luò)分析（SNA）的研究表明，網(wǎng)絡(luò)社區(qū)中關(guān)系密切的群體往往會有相似的興趣愛好，社會化推薦系統(tǒng)正是基于這一研究成果，根據(jù)目標用戶的社會關(guān)系信息，構(gòu)建用戶的社會關(guān)系網(wǎng)絡(luò)模型，根據(jù)這一模型和已知的用戶興趣模型，提供信息和產(chǎn)品推薦。

如圖4，社會化推薦系統(tǒng)可大致分為4個層次[8]：

（1）數(shù)據(jù)采集層。獲取用戶的社會網(wǎng)絡(luò)信息、使用和評價信息等。

（2）數(shù)據(jù)預(yù)處理層。篩選、處理數(shù)據(jù)，建立社會化網(wǎng)絡(luò)模型等。

（3）推薦生成層。依據(jù)社會化網(wǎng)絡(luò)模型計算匹配數(shù)據(jù)，提取推薦對象。

（4）用戶層。接受、評價和反饋推薦結(jié)果等。

隨著社交應(yīng)用的盛行，社交應(yīng)用和新聞類應(yīng)用存在功能上的融合，在社交平臺閱讀新聞的用戶比率越來越高。企鵝智庫2016年的調(diào)查顯示：2015年，有70.2%的用戶比過去更頻繁地用社交應(yīng)用看新聞，社交平臺逐漸成為網(wǎng)絡(luò)新聞的重要閱讀平臺之一，社會化推薦系統(tǒng)在社交平臺的網(wǎng)絡(luò)新聞推薦中的作用也將越來越大。

2.4 混合式推薦

混合式推薦，也叫組合推薦，將多種推薦方式結(jié)合使用，取長補短，彌補各自推薦技術(shù)的弱點，得到最佳推薦結(jié)果。組合推薦中應(yīng)用較多的是內(nèi)容推薦和協(xié)同過濾推薦的組合，以及協(xié)同過濾中基于記憶推薦和基于模型推薦的組合。

混合式推薦可以分為橫向和縱向組合。橫向組合是將多種推薦系統(tǒng)的推薦結(jié)果按照權(quán)重組合，提取最佳推薦結(jié)果?？v向組合是一種分層過濾方式，將一種推薦方式的推薦結(jié)果作為另一種推薦方式的推薦對象，過濾掉匹配度較低的推薦結(jié)果，獲取最佳推薦。

3 問題與難點

本文簡單介紹了4種不同的網(wǎng)絡(luò)新聞個性化推薦方式，雖然以這些推薦方式為基礎(chǔ)的推薦系統(tǒng)都已經(jīng)廣泛應(yīng)用，但它們依舊存在一些問題與難點，無法滿足網(wǎng)絡(luò)用戶和網(wǎng)絡(luò)新聞的高速增長需求，筆者總結(jié)了幾種典型問題。

（1）隱私和安全問題。個性化推薦系統(tǒng)需要利用用戶的使用記錄、興趣偏好等用戶信息，而很多用戶不愿意暴露自己的個人信息，因此推薦系統(tǒng)難以獲取完整的用戶行為和歷史記錄數(shù)據(jù)。再者，由于推薦系統(tǒng)中存在大量用戶的個人信息，一旦泄露和被竊取，極易形成犯罪，危害社會公共安全。

此外，推薦系統(tǒng)也會有推薦攻擊的安全問題，推薦攻擊是指攻擊者惡意制造虛假數(shù)據(jù)，通過向推薦系統(tǒng)注入虛假用戶，以使系統(tǒng)的推薦結(jié)果產(chǎn)生偏差[9]。

（2）冷啟動問題。所謂冷啟動問題，即新用戶和新對象由于沒有歷史數(shù)據(jù)，系統(tǒng)無法提供推薦，這是在協(xié)同過濾推薦中面臨的主要問題[10]。

在網(wǎng)絡(luò)新聞的個性化推薦中，新的用戶和最新的新聞加入推薦系統(tǒng)后，由于沒有歷史使用數(shù)據(jù)，無法建立相關(guān)模型，直到新用戶有一定的使用信息，以及新的新聞有了閱讀、評論、分享等使數(shù)據(jù)時，推薦系統(tǒng)才有可能推薦它。

（3）稀疏性問題。 協(xié)同過濾推薦中也存在稀疏性問題，稀疏性問題是指：在推薦系統(tǒng)中，用戶已經(jīng)評價的產(chǎn)品相比所有產(chǎn)品總量，數(shù)量要少得多，影響了推薦效果[11]。以網(wǎng)絡(luò)新聞推薦為例，海量的網(wǎng)絡(luò)新聞中，用戶閱讀、收藏和評價過的新聞十分有限，這就使得用戶-新聞評分矩陣的數(shù)據(jù)極端稀疏，導(dǎo)致用戶和新聞相似性計算結(jié)果的準確率比較低，降低了推薦系統(tǒng)的推薦精準度。

（4）擴展性問題。隨著網(wǎng)絡(luò)新聞用戶的日益增多，以及網(wǎng)絡(luò)新聞數(shù)據(jù)量的飛速增加，推薦系統(tǒng)的規(guī)模不斷擴大，推薦算法的數(shù)據(jù)壓力不斷增大，擴展性問題凸顯。推薦算法的擴展性問題不能得到很好的解決，將直接影響推薦系統(tǒng)的實時性和準確度，成為制約網(wǎng)絡(luò)新聞個性化推薦系統(tǒng)性能的技術(shù)瓶頸。

4 總結(jié)與展望

在互聯(lián)網(wǎng)的迅猛發(fā)展下，隨著信息過載問題的逐漸凸顯，用戶對推薦系統(tǒng)的需求越來越大，網(wǎng)絡(luò)新聞的個性化推薦也得到了廣泛的應(yīng)用，但有很多問題尚待改善。除上文提到的問題有待解決外，筆者也列舉了網(wǎng)絡(luò)新聞個性化推薦的一些發(fā)展方向。endprint

（1）優(yōu)化推薦算法，提高推薦的效率和精準度。推薦的核心在于算法，未來需要進一步提高目前推薦算法的性能，探究高性能算法，比如基于上下文感知、基于復(fù)雜網(wǎng)絡(luò)和圖的理論等推薦方式應(yīng)得到研究和應(yīng)用，提高新聞推薦的精準度。

（2）增強用戶交互，提升用戶體驗。通過用戶交互的方式，讓用戶通過自身的體驗主動地調(diào)節(jié)和改善推薦系統(tǒng)，激發(fā)用戶的參與性。目前已有部分移動新聞平臺開始嘗試這一方式，未來應(yīng)當?shù)玫竭M一步推廣和優(yōu)化，既能提高推薦結(jié)果的準確度，也有助于提升用戶體驗。

（3）移動新聞推薦將是主流方向。隨著移動設(shè)備的快速普及和移動互聯(lián)網(wǎng)快速發(fā)展，移動端網(wǎng)絡(luò)新聞的閱讀量的占比越來越高，未來，移動新聞推薦將是網(wǎng)絡(luò)新聞推薦的主流方向。

參考文獻：

[1] 藺豐奇，劉益.信息過載問題研究述評[J].情報理論與實踐，2007，30（5）：710-714.

[2] 王國霞，劉賀平.個性化推薦系統(tǒng)綜述[J].計算機工程與應(yīng)用，2012，48（7）：66-76.

[3] 許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報，2009，20（2）：350-362.

[4] ADOMAVICIUS G，TUZHILIN A.Toward the next generation of recommender systems：a survey of the state-of-the-art and possible extensions[J].IEEE Transactions on Knowledge & Data Engineering，2005，17（6）：734-749.

[5] 陳雅茜，劉韜，方詩虹.推薦系統(tǒng)及其相關(guān)技術(shù)研究[J].西南民族大學(xué)學(xué)報：自然科學(xué)版，2014，40（3）：439-442.

[6] 馬宏偉，張光衛(wèi)，李鵬.協(xié)同過濾推薦算法綜述[J].小型微型計算機系統(tǒng)，2009，30（7）：1282-1288.

[7] 劉建國，周濤，汪秉宏.個性化推薦系統(tǒng)的研究進展[J].自然科學(xué)進展，2009，19（1）：1-15.

[8] 孟祥武，劉樹棟，張玉潔，等.社會化推薦系統(tǒng)研究[J].軟件學(xué)報，2015，26（6）：1356-1372.

[9] 余力，董斯維，郭斌.電子商務(wù)推薦攻擊研究[J].計算機科學(xué)，2007，34（5）：134-138.

[10] RESNICK P，VARIAN H R.Recommender systems[J].Communications of the Acm，1997，40（3）：56-58.

[11] 代金龍.協(xié)同過濾算法中數(shù)據(jù)稀疏性問題研究[D].重慶：重慶大學(xué)，2013.endprint