个性化推荐方法在网络舆情研究中的应用

1.基于人口统计学的个性化推荐

基于人口统计学的个性化推荐方法［159］依据用户的基本信息发现不同用户间的关联，然后依据这种关联关系将相似用户有兴趣的信息或物品推荐给当前用户，详细实现过程如图8-3所示。

观察图8-3可以发现，用户A和用户C的基本信息一致，故认为二者是相似用户，依据基于人口统计的个性化推荐的基本原理，因为用户A感兴趣的话题是话题1和话题2，所以会将这两个话题推荐给用户A的相似用户——用户B。该方法的优点是：①不存在冷启动问题，因为该方法不需要获得当前用户的历史兴趣数据；②该方法领域独立，因为其不依赖于信息本身的内容，仅依据信息所属用户的基本信息。其缺点也包括两点：①仅使用用户基本信息的方法过于简单，尤其对信息要求较高的领域，该方法性能欠佳；②对于用户的基本信息，有些信息不易于爬取，故进行实证研究困难。综上，对于基于人口统计的个性化统计方法一般适合于平台的新用户，因为这些用户只有基本信息，没有其他的历史记录。

图8-3　基于人口统计的个性化推荐示例

2.基于内容的个性化推荐

基于内容的个性化推荐［160］的基本原理是将待推荐信息的内容和历史上用户感兴趣或关注过的信息进行对比，如果相似，则将待推荐信息推荐给用户。图8-4为该推荐算法的一个简单示例图。观察图8-3可以发现，用户A历史上感兴趣的话题为“2019诺贝尔奖”和“无锡大桥倒塌”，故当出现新的报道“新华社调查无锡高架桥坍塌”时，系统依据基于内容推荐的基本原理，将会把该信息推荐给用户A。

图8-4　基于内容的个性化推荐示例

基于内容的个性化推荐比较直观，内容之间有着较高的关联性。当一个新的新闻话题出现时，若系统没有发现用户关注过该话题时，基于用户基本信息的统计推荐方法将不会把这个话题推荐给任何用户，而基于内容的推荐方法则可以通过内容相似度计算进行推荐，很好地解决了个性化推荐中的冷启动问题。该方法也存在一定的缺点，具体包括：①该方法需要对信息进行建模，模型的质量对推荐结果的影响较大；②内容相似性，仅考虑了信息本身的内容，没有融入用户的态度、情感等信息。

3.基于协同过滤的个性化推荐(www.xing528.com)

基于协同过滤的个性化推荐方法［161］将用户的历史行为作为分析对象，基于“行为相似的用户兴趣爱好也相似”的假设实现个性话题推荐，例如。假设用户A感兴趣的热点话题为“话题1”，用户B和用户A的行为相似，则推荐系统将会把“话题1”推荐给用户B，图8-5为该推荐方法的简单示例图。

图8-5　基于协同过滤的个性化推荐示例

观察上图可以发现用户A感兴趣的话题为：话题1、话题2，用户B感兴趣的话题为：话题1、话题2、话题3，用户C感兴趣的话题为：话题3、话题4。另一方面，关注话题1的用户为：用户A、用户B，关注话题2的用户为：用户A、用户B，关注话题3的用户为：用户B、用户C，关注话题4的用户为：用户C，根据上述信息可以建立用户的兴趣相似矩阵，如下表所示：

表8-1　用户兴趣相似矩阵

观察表8-1可以发现，用户A和用户B感兴趣话题的数量较多，故二者可以视为一个兴趣群，同一个兴趣群的用户感兴趣的信息类似，故基于协同过滤的思想，系统将会把用户B感兴趣的话题3推荐给用户A。基于协同过滤的个性化推荐在寻找近邻时常用的方法为K-最近邻算法，皮尔逊相关系数法。该方法适合于用户较少的场合，如果用户太多，计算量非常庞大，例如“豆瓣”中你可能喜欢的电影就是基于该方法实现的个性化推荐。

4.基于规则的个性化推荐

基于规则的个性化推荐方法［162］的基本原理是建立一套行为规则进行推荐，例如依据相关信息建立了规则A→B，则在推荐系统中，凡是看过信息A的用户就会给他推荐信息B。该方法的优点是可以通过规则，让用户发现新的兴趣点，而且对于该推荐方法，不需要了解太多的信息之间的关联知识，只需要依据规则进行推荐。其缺点就是创建一套完善的推荐规则比较困难，另外，由于该方法是基于规则实现，故不能做到真正意义上的个性化。