CN101694659A - 基于多主题追踪的个性化网络新闻推送方法 - Google Patents

基于多主题追踪的个性化网络新闻推送方法 Download PDF

Info

Publication number
CN101694659A
CN101694659A CN200910153589A CN200910153589A CN101694659A CN 101694659 A CN101694659 A CN 101694659A CN 200910153589 A CN200910153589 A CN 200910153589A CN 200910153589 A CN200910153589 A CN 200910153589A CN 101694659 A CN101694659 A CN 101694659A
Authority
CN
China
Prior art keywords
sub
news
interest
user
interest model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN200910153589A
Other languages
English (en)
Other versions
CN101694659B (zh
Inventor
陈纯
何占盈
陈伟
卜佳俊
毛菥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN2009101535898A priority Critical patent/CN101694659B/zh
Publication of CN101694659A publication Critical patent/CN101694659A/zh
Application granted granted Critical
Publication of CN101694659B publication Critical patent/CN101694659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

基于多主题追踪的个性化网络新闻推送方法，包括以下步骤：获取用户浏览过的新闻网页，划分成多个用户子兴趣模型；根据用户是否阅读由子兴趣模型
Figure 200910153589.8_AB_0
推荐的新闻报道
Figure 200910153589.8_AB_1
，对用户的多主题兴趣模型进行动态更新；判断子兴趣模型的个数是否超过预设阈值，若是，则寻找偏离用户兴趣最远的子兴趣模型，将其删除；寻找待推送的新闻与所有子兴趣模型之间的最高相似度；计算新闻报道
Figure 200910153589.8_AB_1
的排序值将排序值从大到小进行排序，将排序后的新闻列表推送给用户。本发明具有能够涵盖用户的多种兴趣特征，推荐准确率高，系统后续维护负担较轻的优点。

Description

基于多主题追踪的个性化网络新闻推送方法
技术领域
本发明涉及一种新闻的网络推送方法，特别是一种基于多主题追踪的个性化新闻网络推送方法。
背景技术
随着信息传播技术的迅猛发展，尤其是因特网的不断发展和日益普及，人类社会所面对的信息量正在以惊人的速度增长，人们对于能够方便地获取自己感兴趣的新闻信息的需求越来越迫切。于是，各种各样的新闻推荐系统层出不穷。
新闻推荐系统是近年来互联网上发展起来的一种新兴软件系统，它能够将最新的新闻资讯以主动展现的方式推送给用户。而且，系统给出的推荐是实时更新的，即随着时间推移，给出的推荐新闻会自动改变成当前最新的信息。此类的新闻推荐系统在即时通讯软件、网络博客和论坛中有广泛的应用。
然而，对于某一个用户而言，他感兴趣的新闻报道只占少数。当用户在为频繁收到无用新闻信息而苦恼，而又不希望错过自己感兴趣的话题时，如何在庞大的新闻信息量中找到感兴趣的新闻，便成为用户迫切需要解决的问题。因此，用户对于新闻推荐系统推荐的准确度有了越来越高的要求。这也是用户个性化的新闻推荐系统产生的一个原因。
目前，针对用户个性化的新闻推荐系统层出不穷，但因为用户所感兴趣的新闻报道不可能是单一的类别或主题，而往往是分布广泛、涉及多个主题。因此，若将表示用户特性的信息都包含在同一个用户模型中的方法，则导致用户模型过于概化，无法很好地体现用户的特征，系统的推荐效果差。而若采用多个用户模型，又无法很好的解决模型集合的维护管理问题，降低采用多个用户模型的推荐效果。
发明内容
为克服现有技术采用一个用户模型导致无法体现用户特征，采用多个用户模型又导致数据维护管理困难的缺点，本发明提供了一种能涵盖用户的多种兴趣特征，消除采用多个用户模型带来的数据维护困难，推荐效果好的基于多主题追踪的个性化新闻网络推送方法。
基于多主题追踪的个性化网络新闻推送方法，包括以下步骤：
1、获取用户浏览过的新闻网页，提取各新闻网页的标题和正文；采用聚类算法将前述的新闻网页划分成多个用户感兴趣的新闻类，以每个新闻类作为一个子兴趣模型，所述的子兴趣模型为由模型中所有新闻报道的关键词信息组成的向量
Figure G2009101535898D0000021
其中为子兴趣模型
Figure G2009101535898D0000023
中所有的新闻报道的的第i个关键词的权重信息；若第i个关键词在多篇新闻报道中出现过，则
Figure G2009101535898D0000024
为第i个关键词在各篇新闻报道中的权重信息之和；
所述的新闻报道为由该新闻报道的关键词信息组成的向量
Figure G2009101535898D0000025
Figure G2009101535898D0000026
对应的关键词与其所属的子兴趣模型
Figure G2009101535898D0000027
中的关键词一致；若新闻报道
Figure G2009101535898D0000028
中具有第i个关键词，则为此关键词的权重信息；若新闻报道
Figure G2009101535898D00000210
中不具有第i个关键词，则
Figure G2009101535898D00000211
为0；
所有的子兴趣模型构成用户的多主题兴趣模型；
2、根据用户是否阅读由子兴趣模型
Figure G2009101535898D0000031
推荐的新闻报道
Figure G2009101535898D0000032
对用户的多主题兴趣模型进行动态更新；
3、设定所述的子兴趣模型的个数的阈值M，判断子兴趣模型的个数是否超过所述的阈值M，若子兴趣模型的个数超过所述的阈值，则寻找偏离用户兴趣最远的子兴趣模型，将其删除；寻找最偏离用户兴趣的子兴趣模型包括以下步骤：
3.1)为每个子兴趣模型引入一个用于衡量该子兴趣模型所表示的用户兴趣的精确性的精确度参数，precision(p)，精确度参数值越大，则精确性越高，其中
Figure G2009101535898D0000033
really(p)为用户实际浏览的由子兴趣模型
Figure G2009101535898D0000034
推荐的新闻的数量，total(p)为子兴趣模型
Figure G2009101535898D0000035
总共推荐的新闻的数量；
3.2)根据经验设定一个表示用户对新闻的兴趣随时间衰退的因子α，引入一个表征在某一时间内、用户对新闻的兴趣的衰减程度的衰减函数e-α·t，其中t表示从当前到该子兴趣模型上一次被点击的时间间隔；
3.3)结合所述的精确度参数和衰减函数获得子兴趣模型与用户兴趣的相关度K，K＝precision(p)·e-α·t，K值越小，说明该子兴趣模型与用户兴趣偏离越远；将所有的子兴趣模型根据所述的相关度从大到小排序，保留前M个子兴趣模型。
4、计算待推送的新闻与所有子兴趣模型之间的相似度W，找出最高相似度Wmax；所述的相似度W用新闻报道
Figure G2009101535898D0000041
与子兴趣模型
Figure G2009101535898D0000042
之间的夹角来表征，所述的夹角越小，相似度越高；
5、计算新闻报道
Figure G2009101535898D0000043
的排序值score(d)，所述的排序值score(d)＝Wmax·precision(p)·e-αt，将排序值从大到小进行排序，将排序后的新闻列表推送给用户。
进一步，所述的步骤(1)中所述的关键词的权重信息为该关键词的的TF-IDF值，所述的TF为第i个关键词在新闻报道
Figure G2009101535898D0000044
中的词频，其计算公式为：其中dj(i)为在新闻报道中，关键词i的个数，total(words)为新闻报道
Figure G2009101535898D0000047
中的单词个数；
所述的IDF为第i个关键词的逆向文件频率，其计算公式为：
Figure G2009101535898D0000048
其中total(documents)为子兴趣模型中的新闻报道总数，documents(i)为含有关键词i的新闻报道的数目；
则第i个关键词在新闻报道
Figure G2009101535898D00000410
中的TF-IDF值为：ai，j＝TFi，j·IDFi。
进一步，所述的步骤(2)中，若用户阅读了由子兴趣模型
Figure G2009101535898D00000411
推荐的新闻报道，则认为推动有效；若用户未阅读由子兴趣模型推荐的新闻报道，则认为推送无效；所述的动态更新包括以下步骤：
(2.1)判断用户是否阅读由子兴趣模型
Figure G2009101535898D00000413
推荐的新闻报道；
(2.2)若用户阅读了由子兴趣模型推荐的新闻报道，则推送有效，子兴趣模型
Figure G2009101535898D00000415
的更新方程为：
Figure G2009101535898D00000416
(2.3)若用户未阅读由子兴趣模型
Figure G2009101535898D00000417
推荐的新闻报道，则推送无效，子兴趣模型
Figure G2009101535898D0000051
的更新方程为：
Figure G2009101535898D0000052
其中，γ为根据经验设定、代表对
Figure G2009101535898D0000054
的影响度的一个数值。
进一步，所述的步骤(4)中，相似度的计算方法为：
Figure G2009101535898D0000055
其中aij为第i个关键词在第j篇新闻报道
Figure G2009101535898D0000056
中的TF-IDF值，dik为第i个关键词在第k个子兴趣模型
Figure G2009101535898D0000057
中的TF-IDF值。
本发明的技术构思是：采用多个子兴趣模型构成用户多主题兴趣模型，能够涵盖用户的多种兴趣特征。根据持续的用户反馈，不断的更新用户子兴趣模型，保留用户最感兴趣的几个子兴趣模型，将偏离用户兴趣子兴趣模型删除，在不影响用户的个性化需求的同时，减轻了系统后续维护的负担消除了多个子兴趣模型的维护问题对推荐效果造成的负面影响，提高个性化推荐的准确率。
本发明采用表示关键词权重的TF-IDF值来表示新闻报道矢量，从而实现利用数学方法对新闻报道之间的相互关系进行量化计算。采用新闻报道和子兴趣模型两向量之间的夹角余弦值来表征它们之间的相似度，可以消除相似向量在幅度变化上的影响，更加精确。
本发明具有能够涵盖用户的多种兴趣特征，推荐准确率高，系统后续维护负担较轻的优点。
附图说明
图1为本发明的流程图
图2为寻找最偏离用户兴趣的子兴趣模型的流程图
具体实施方式
参照附图，进一步说明本发明：
基于多主题追踪的个性化网络新闻推送方法，包括以下步骤：
1、获取用户浏览过的新闻网页，提取各新闻网页的标题和正文；采用聚类算法将前述的新闻网页划分成多个用户感兴趣的新闻类，以每个新闻类作为一个子兴趣模型，所述的子兴趣模型为由模型中所有新闻报道的关键词信息组成的向量
Figure G2009101535898D0000061
其中
Figure G2009101535898D0000062
为子兴趣模型中所有的新闻报道的的第i个关键词的权重信息；若第i个关键词在多篇新闻报道中出现过，则
Figure G2009101535898D0000064
为第i个关键词在各篇新闻报道中的权重信息之和；
所述的新闻报道为由该新闻报道的关键词信息组成的向量
Figure G2009101535898D0000065
Figure G2009101535898D0000066
对应的关键词与其所属的子兴趣模型
Figure G2009101535898D0000067
中的关键词一致；若新闻报道
Figure G2009101535898D0000068
中具有第i个关键词，则
Figure G2009101535898D0000069
为此关键词的权重信息；若新闻报道
Figure G2009101535898D00000610
中不具有第i个关键词，则
Figure G2009101535898D00000611
为0；
所有的子兴趣模型构成用户的多主题兴趣模型；
2、根据用户是否阅读由子兴趣模型
Figure G2009101535898D00000612
推荐的新闻报道
Figure G2009101535898D00000613
对用户的多主题兴趣模型进行动态更新；
3、设定所述的子兴趣模型的个数的阈值M，判断子兴趣模型的个数是否超过所述的阈值M，若子兴趣模型的个数超过所述的阈值，则寻找偏离用户兴趣最远的子兴趣模型，将其删除；寻找最偏离用户兴趣的子兴趣模型包括以下步骤：
3.1)为每个子兴趣模型引入一个用于衡量该子兴趣模型所表示的用户兴趣的精确性的精确度参数precision(p)，精确度参数值越大，则精确性越高，其中
Figure G2009101535898D0000071
really(p)为用户实际浏览的由子兴趣模型
Figure G2009101535898D0000072
推荐的新闻的数量，total(p)为子兴趣模型
Figure G2009101535898D0000073
总共推荐的新闻的数量；
3.2)根据经验设定一个表示用户对新闻的兴趣随时问衰退的因子α，引入一个表征在某一时间内、用户对新闻的兴趣的衰减程度的衰减函数e-α·t，其中t表示从当前到该子兴趣模型上一次被点击的时间间隔；
3.3)结合所述的精确度参数和衰减函数获得子兴趣模型与用户兴趣的相关度K，K＝precision(p)·e-α·t，K值越小，说明该子兴趣模型与用户兴趣偏离越远；将所有的子兴趣模型根据所述的相关度从大到小排序，保留前M个子兴趣模型。
4、计算待推送的新闻与所有子兴趣模型之间的相似度W，找出最高相似度Wmax；所述的相似度W用新闻报道
Figure G2009101535898D0000074
与子兴趣模型
Figure G2009101535898D0000075
之间的夹角来表征，所述的夹角越小，相似度越高；
相似度的计算方法为：
Figure G2009101535898D0000076
其中aij为第i个关键词在第j篇新闻报道
Figure G2009101535898D0000077
中的TF-IDF值，dik为第i个关键词在第k个子兴趣模型
Figure G2009101535898D0000078
中的TF-IDF值。
5、计算新闻报道
Figure G2009101535898D0000079
的排序值score(d)，所述的排序值score(d)＝Wmax·precision(p)·e-αt，将排序值从大到小进行排序，将排序后的新闻列表推送给用户。
所述的步骤(1)中所述的关键词的权重信息为该关键词的的TF-IDF值，所述的TF为第i个关键词在新闻报道
Figure G2009101535898D0000081
中的词频，其计算公式为：
Figure G2009101535898D0000082
其中dj(i)为在新闻报道
Figure G2009101535898D0000083
中，关键词i的个数，total(words)为新闻报道
Figure G2009101535898D0000084
中的单词个数；
所述的IDF为第i个关键词的逆向文件频率，其计算公式为：其中total(documents)为子兴趣模型中的新闻报道总数，documents(i)为含有关键词i的新闻报道的数目；
则第i个关键词在新闻报道
Figure G2009101535898D0000087
中的TF-IDF值为：ai，j＝TFi，j·IDFi。
所述的步骤(2)中，若用户阅读了由子兴趣模型
Figure G2009101535898D0000088
推荐的新闻报道，则认为推动有效；若用户未阅读由子兴趣模型
Figure G2009101535898D0000089
推荐的新闻报道，则认为推送无效；所述的动态更新包括以下步骤：
(2.1)判断用户是否阅读由子兴趣模型
Figure G2009101535898D00000810
推荐的新闻报道；
(2.2)若用户阅读了由子兴趣模型
Figure G2009101535898D00000811
推荐的新闻报道，则推送有效，子兴趣模型
Figure G2009101535898D00000812
的更新方程为：
Figure G2009101535898D00000813
(2.3)若用户未阅读由子兴趣模型
Figure G2009101535898D00000814
推荐的新闻报道，则推送无效，子兴趣模型
Figure G2009101535898D00000815
的更新方程为：
Figure G2009101535898D00000816
其中，γ为根据经验设定、代表对
Figure G2009101535898D00000818
的影响度的一个数值。
本发明的技术构思是：采用由多个子兴趣模型构成的用户多主题兴趣模型来表示用户兴趣，能够涵盖用户的多种兴趣特征。设定子兴趣模型的个数阈值，只保留用户最感兴趣的几个兴趣模型，在不影响用户的个性化需求的同时，减轻了系统后续维护的负担。
根据持续的用户反馈，不断的更新用户子兴趣模型，引入子兴趣模型对用户兴趣表征的精确度和对新闻随时间衰退的衰减函数，消除了多个子兴趣模型的维护问题对推荐效果造成的负面影响，提高个性化推荐的准确率。
采用新闻报道和子兴趣模型两向量之间的夹角余弦值来表征它们之间的相似度，可以消除相似向量在幅度变化上的影响，更加精确。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (4)

1.基于多主题追踪的个性化网络新闻推送方法，包括以下步骤：
1)、获取用户浏览过的新闻网页，提取各新闻网页的标题和正文；采用聚类算法将前述的新闻网页划分成多个用户感兴趣的新闻类，以每个新闻类作为一个子兴趣模型，所述的子兴趣模型为由模型中所有新闻报道的关键词信息组成的向量
Figure F2009101535898C0000011
其中
Figure F2009101535898C0000012
为子兴趣模型
Figure F2009101535898C0000013
中所有的新闻报道的的第i个关键词的权重信息，若第i个关键词在多篇新闻报道中出现过，则
Figure F2009101535898C0000014
为第i个关键词在各篇新闻报道中的权重信息之和；
所述的新闻报道为由该新闻报道的关键词信息组成的向量
Figure F2009101535898C0000015
Figure F2009101535898C0000016
对应的关键词与其所属的子兴趣模型
Figure F2009101535898C0000017
中的关键词一致；若新闻报道
Figure F2009101535898C0000018
中具有第i个关键词，则
Figure F2009101535898C0000019
为此关键词的权重信息，若新闻报道
Figure F2009101535898C00000110
中不具有第i个关键词，则为0；
所有的子兴趣模型构成用户的多主题兴趣模型；
2)、根据用户是否阅读由子兴趣模型推荐的新闻报道
Figure F2009101535898C00000113
对用户的多主题兴趣模型进行动态更新；
3)、设定所述的子兴趣模型的个数的阈值M，判断子兴趣模型的个数是否超过所述的阈值M，若子兴趣模型的个数超过所述的阈值，则寻找偏离用户兴趣最远的子兴趣模型，将其删除；寻找最偏离用户兴趣的子兴趣模型包括以下步骤：
(3.1)为每个子兴趣模型引入一个用于衡量该子兴趣模型所表示的用户兴趣的精确性的精确度参数precision(p)，精确度参数值越大，则精确性越高，其中
Figure F2009101535898C0000021
really(p)为用户实际浏览的由子兴趣模型
Figure F2009101535898C0000022
推荐的新闻的数量，total(p)为子兴趣模型
Figure F2009101535898C0000023
总共推荐的新闻的数量；
(3.2)根据经验设定一个表示用户对新闻的兴趣随时间衰退的因子α，引入一个表征在某一时间内、用户对新闻的兴趣的衰减程度的衰减函数e-α·t，其中t表示从当前到该子兴趣模型上一次被点击的时间间隔；
(3.3)结合所述的精确度参数和衰减函数获得子兴趣模型与用户兴趣的相关度K，K＝precision(p)·e-α·t，K值越小，说明该子兴趣模型与用户兴趣偏离越远；将所有的子兴趣模型根据所述的相关度从大到小排序，保留前M个子兴趣模型。
4)、计算待推送的新闻与所有子兴趣模型之间的相似度W，找出最高相似度Wmax；所述的相似度W用新闻报道
Figure F2009101535898C0000024
与子兴趣模型之间的夹角来表征，所述的夹角越小，相似度越高；
5)、计算新闻报道
Figure F2009101535898C0000026
的排序值score(d)，所述的排序值score(d)＝Wmax·precision(p)·e-αt，将排序值从大到小进行排序，将排序后的新闻列表推送给用户。
2.如权利要求1所述的基于多主题追踪的个性化网络新闻推送方法，其特征在于：所述的步骤(1)中所述的关键词的权重信息为该关键词的的TF-IDF值，所述的TF为第i个关键词在新闻报道
Figure F2009101535898C0000027
由的词频，其计算公式为：
Figure F2009101535898C0000031
其中dj(i)为在新闻报道
Figure F2009101535898C0000032
中，关键词i的个数，total(words)为新闻报道
Figure F2009101535898C0000033
中的单词个数；
所述的IDF为第i个关键词的逆向文件频率，其计算公式为：
Figure F2009101535898C0000034
其中total(documents)为新闻报道总数，documents(i)为含有关键词i的新闻报道的数目；
则第i个关键词在新闻报道
Figure F2009101535898C0000035
中的TF-IDF值为：ai，j＝TFi，j·IDFi。
3.如权利要求2所述的基于多主题追踪的个性化网络新闻推送方法，其特征在于：所述的步骤(2)中，若用户阅读了由子兴趣模型
Figure F2009101535898C0000036
推荐的新闻报道，则认为推送有效；若用户未阅读由子兴趣模型
Figure F2009101535898C0000037
推荐的新闻报道，则认为推送无效；所述的动态更新包括以下步骤：
(2.1)判断用户是否阅读由子兴趣模型
Figure F2009101535898C0000038
推荐的新闻报道；
(2.2)若用户阅读了由子兴趣模型
Figure F2009101535898C0000039
推荐的新闻报道，则推送有效，子兴趣模型
Figure F2009101535898C00000310
的更新方程为：
Figure F2009101535898C00000311
(2.3)若用户未阅读由子兴趣模型
Figure F2009101535898C00000312
推荐的新闻报道，则推送无效，子兴趣模型的更新方程为：
Figure F2009101535898C00000314
其中，γ为根据经验设定、代表对
Figure F2009101535898C00000316
的影响度的一个数值。
4.如权利要求3所述的基于多主题追踪的个性化网络新闻推送方法，其特征在于：所述的步骤(4)中，相似度的计算方法为：
Figure F2009101535898C00000317
其中aij为第i个关键词在第j篇新闻报道
Figure F2009101535898C00000318
中的TF-IDF值，dik为第i个关键词在第k个子兴趣模型
Figure F2009101535898C0000041
中的TF-IDF值。
CN2009101535898A 2009-10-20 2009-10-20 基于多主题追踪的个性化网络新闻推送方法 Active CN101694659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2009101535898A CN101694659B (zh) 2009-10-20 2009-10-20 基于多主题追踪的个性化网络新闻推送方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2009101535898A CN101694659B (zh) 2009-10-20 2009-10-20 基于多主题追踪的个性化网络新闻推送方法

Publications (2)

Publication Number Publication Date
CN101694659A true CN101694659A (zh) 2010-04-14
CN101694659B CN101694659B (zh) 2012-03-21

Family

ID=42093631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009101535898A Active CN101694659B (zh) 2009-10-20 2009-10-20 基于多主题追踪的个性化网络新闻推送方法

Country Status (1)

Country Link
CN (1) CN101694659B (zh)

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101986297A (zh) * 2010-10-28 2011-03-16 浙江大学 基于链接聚类的无障碍网页浏览方法
CN102253937A (zh) * 2010-05-18 2011-11-23 阿里巴巴集团控股有限公司 获取网页中的感兴趣信息的方法及相关装置
CN102662965A (zh) * 2012-03-07 2012-09-12 上海引跑信息科技有限公司 一种自动发现互联网热点新闻主题的方法及系统
CN102708131A (zh) * 2011-03-02 2012-10-03 奥多比公司 将消费者自动分类到微细分中
CN102761609A (zh) * 2012-06-29 2012-10-31 宇龙计算机通信科技(深圳)有限公司 用于服务器的数据推送系统及数据推送方法
CN102779136A (zh) * 2011-05-13 2012-11-14 北京搜狗科技发展有限公司 一种信息搜索的方法和装置
CN102956009A (zh) * 2011-08-16 2013-03-06 阿里巴巴集团控股有限公司 一种基于用户行为的电子商务信息推荐方法与装置
CN103136345A (zh) * 2013-02-06 2013-06-05 福建伊时代信息科技股份有限公司 信息过滤方法及信息过滤系统
CN103166930A (zh) * 2011-12-15 2013-06-19 腾讯科技（深圳）有限公司 推送网络信息的方法和系统
WO2013116974A1 (en) * 2012-02-06 2013-08-15 Empire Technology Development Llc Web tracking protection
CN103412870A (zh) * 2013-07-09 2013-11-27 北京深思洛克软件技术股份有限公司 一种移动终端设备新闻客户端软件的新闻推送方法
CN103530316A (zh) * 2013-09-12 2014-01-22 浙江大学 一种基于多视图学习的科学主题提取方法
CN103559315A (zh) * 2013-11-20 2014-02-05 上海华勤通讯技术有限公司 资讯筛选推送方法及装置
CN104063318A (zh) * 2014-06-24 2014-09-24 湘潭大学 Android应用相似性快速检测方法
CN104090936A (zh) * 2014-06-27 2014-10-08 华南理工大学 一种基于超图排序的新闻推荐方法
CN104166668A (zh) * 2014-06-09 2014-11-26 南京邮电大学 基于folfm模型的新闻推荐系统及方法
CN104252470A (zh) * 2013-06-26 2014-12-31 重庆新媒农信科技有限公司 一种热词推荐方法及系统
CN104268290A (zh) * 2014-10-22 2015-01-07 武汉科技大学 一种基于用户聚类的推荐方法
CN104615715A (zh) * 2015-02-05 2015-05-13 北京航空航天大学 基于地理位置的社交网络事件分析方法及系统
CN104750856A (zh) * 2015-04-16 2015-07-01 天天艾米（北京）网络科技有限公司 一种多维协同推荐的系统与方法
CN104899188A (zh) * 2015-03-11 2015-09-09 浙江大学 一种基于问题主题和焦点的问题相似度计算方法
US9177327B2 (en) 2011-03-02 2015-11-03 Adobe Systems Incorporated Sequential engine that computes user and offer matching into micro-segments
CN105224699A (zh) * 2015-11-17 2016-01-06 Tcl集团股份有限公司 一种新闻推荐方法及装置
CN105550317A (zh) * 2015-12-15 2016-05-04 腾讯科技（深圳）有限公司 一种通过新闻列表展示新闻的方法和装置
US9454763B2 (en) 2010-08-24 2016-09-27 Adobe Systems Incorporated Distribution of offer to a social group by sharing based on qualifications
CN106250550A (zh) * 2016-08-12 2016-12-21 智者四海（北京）技术有限公司 一种实时关联新闻推荐内容的方法和装置
CN106372113A (zh) * 2016-08-22 2017-02-01 上海亿账通互联网科技有限公司 新闻内容的推送方法及系统
CN106570003A (zh) * 2015-10-08 2017-04-19 腾讯科技（深圳）有限公司 数据推送方法及装置
CN103870109B (zh) * 2012-12-17 2017-09-29 联想(北京)有限公司 一种信息处理的方法及电子设备
US9886517B2 (en) 2010-12-07 2018-02-06 Alibaba Group Holding Limited Ranking product information
CN107958042A (zh) * 2017-11-23 2018-04-24 维沃移动通信有限公司 一种目标专题的推送方法及移动终端
CN108509630A (zh) * 2018-04-09 2018-09-07 北京搜狐新媒体信息技术有限公司 一种新闻推荐方法及装置
CN108596694A (zh) * 2012-09-18 2018-09-28 北京点网聚科技有限公司 用于向用户提供内容的方法、系统及相应介质
CN109063209A (zh) * 2018-09-20 2018-12-21 新乡学院 一种基于概率模型的网页推荐解决方法
CN109831472A (zh) * 2017-11-23 2019-05-31 苏州跃盟信息科技有限公司 一种信息推送、信息显示方法和系统
CN111666467A (zh) * 2019-03-07 2020-09-15 上海博泰悦臻网络技术服务有限公司 车辆、车机设备及其车机设备新闻追踪报道方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036038A (zh) * 2014-06-30 2014-09-10 北京奇虎科技有限公司 新闻推荐方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398839A (zh) * 2008-10-23 2009-04-01 浙江大学 一种有声网页新闻的个性化推送方法

Cited By (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253937A (zh) * 2010-05-18 2011-11-23 阿里巴巴集团控股有限公司 获取网页中的感兴趣信息的方法及相关装置
US9454763B2 (en) 2010-08-24 2016-09-27 Adobe Systems Incorporated Distribution of offer to a social group by sharing based on qualifications
CN101986297A (zh) * 2010-10-28 2011-03-16 浙江大学 基于链接聚类的无障碍网页浏览方法
US9886517B2 (en) 2010-12-07 2018-02-06 Alibaba Group Holding Limited Ranking product information
CN102708131B (zh) * 2011-03-02 2015-09-09 奥多比公司 将消费者自动分类到微细分中
CN102708131A (zh) * 2011-03-02 2012-10-03 奥多比公司 将消费者自动分类到微细分中
US9177327B2 (en) 2011-03-02 2015-11-03 Adobe Systems Incorporated Sequential engine that computes user and offer matching into micro-segments
US10078853B2 (en) 2011-03-02 2018-09-18 Adobe Systems Incorporated Offer matching for a user segment
CN102779136A (zh) * 2011-05-13 2012-11-14 北京搜狗科技发展有限公司 一种信息搜索的方法和装置
CN102956009A (zh) * 2011-08-16 2013-03-06 阿里巴巴集团控股有限公司 一种基于用户行为的电子商务信息推荐方法与装置
US9400995B2 (en) 2011-08-16 2016-07-26 Alibaba Group Holding Limited Recommending content information based on user behavior
CN103166930B (zh) * 2011-12-15 2016-04-13 腾讯科技（深圳）有限公司 推送网络信息的方法和系统
CN103166930A (zh) * 2011-12-15 2013-06-19 腾讯科技（深圳）有限公司 推送网络信息的方法和系统
US9904738B2 (en) 2012-02-06 2018-02-27 Empire Technology Development Llc Web tracking protection
WO2013116974A1 (en) * 2012-02-06 2013-08-15 Empire Technology Development Llc Web tracking protection
US9363326B2 (en) 2012-02-06 2016-06-07 Empire Technology Development Llc Web tracking protection
CN102662965A (zh) * 2012-03-07 2012-09-12 上海引跑信息科技有限公司 一种自动发现互联网热点新闻主题的方法及系统
CN102761609B (zh) * 2012-06-29 2016-05-04 宇龙计算机通信科技(深圳)有限公司 用于服务器的数据推送系统及数据推送方法
CN102761609A (zh) * 2012-06-29 2012-10-31 宇龙计算机通信科技(深圳)有限公司 用于服务器的数据推送系统及数据推送方法
CN108596694A (zh) * 2012-09-18 2018-09-28 北京点网聚科技有限公司 用于向用户提供内容的方法、系统及相应介质
CN103870109B (zh) * 2012-12-17 2017-09-29 联想(北京)有限公司 一种信息处理的方法及电子设备
CN103136345B (zh) * 2013-02-06 2016-01-20 福建伊时代信息科技股份有限公司 信息过滤方法及信息过滤系统
CN103136345A (zh) * 2013-02-06 2013-06-05 福建伊时代信息科技股份有限公司 信息过滤方法及信息过滤系统
CN104252470B (zh) * 2013-06-26 2018-02-09 重庆新媒农信科技有限公司 一种热词推荐方法及系统
CN104252470A (zh) * 2013-06-26 2014-12-31 重庆新媒农信科技有限公司 一种热词推荐方法及系统
CN103412870A (zh) * 2013-07-09 2013-11-27 北京深思洛克软件技术股份有限公司 一种移动终端设备新闻客户端软件的新闻推送方法
CN103530316A (zh) * 2013-09-12 2014-01-22 浙江大学 一种基于多视图学习的科学主题提取方法
CN103559315B (zh) * 2013-11-20 2017-01-04 上海华勤通讯技术有限公司 资讯筛选推送方法及装置
CN103559315A (zh) * 2013-11-20 2014-02-05 上海华勤通讯技术有限公司 资讯筛选推送方法及装置
CN104166668B (zh) * 2014-06-09 2018-02-23 南京邮电大学 基于folfm模型的新闻推荐系统及方法
CN104166668A (zh) * 2014-06-09 2014-11-26 南京邮电大学 基于folfm模型的新闻推荐系统及方法
CN104063318A (zh) * 2014-06-24 2014-09-24 湘潭大学 Android应用相似性快速检测方法
CN104090936A (zh) * 2014-06-27 2014-10-08 华南理工大学 一种基于超图排序的新闻推荐方法
CN104090936B (zh) * 2014-06-27 2017-02-22 华南理工大学 一种基于超图排序的新闻推荐方法
CN104268290B (zh) * 2014-10-22 2017-08-08 武汉科技大学 一种基于用户聚类的推荐方法
CN104268290A (zh) * 2014-10-22 2015-01-07 武汉科技大学 一种基于用户聚类的推荐方法
CN104615715A (zh) * 2015-02-05 2015-05-13 北京航空航天大学 基于地理位置的社交网络事件分析方法及系统
CN104899188A (zh) * 2015-03-11 2015-09-09 浙江大学 一种基于问题主题和焦点的问题相似度计算方法
CN104750856B (zh) * 2015-04-16 2018-01-05 天天艾米（北京）网络科技有限公司 一种多维协同推荐的系统与方法
CN104750856A (zh) * 2015-04-16 2015-07-01 天天艾米（北京）网络科技有限公司 一种多维协同推荐的系统与方法
CN106570003B (zh) * 2015-10-08 2021-03-12 腾讯科技（深圳）有限公司 数据推送方法及装置
CN106570003A (zh) * 2015-10-08 2017-04-19 腾讯科技（深圳）有限公司 数据推送方法及装置
CN105224699A (zh) * 2015-11-17 2016-01-06 Tcl集团股份有限公司 一种新闻推荐方法及装置
CN105224699B (zh) * 2015-11-17 2020-01-03 Tcl集团股份有限公司 一种新闻推荐方法及装置
CN105550317A (zh) * 2015-12-15 2016-05-04 腾讯科技（深圳）有限公司 一种通过新闻列表展示新闻的方法和装置
CN106250550A (zh) * 2016-08-12 2016-12-21 智者四海（北京）技术有限公司 一种实时关联新闻推荐内容的方法和装置
CN106372113B (zh) * 2016-08-22 2018-03-20 上海壹账通金融科技有限公司 新闻内容的推送方法及系统
CN106372113A (zh) * 2016-08-22 2017-02-01 上海亿账通互联网科技有限公司 新闻内容的推送方法及系统
CN107958042A (zh) * 2017-11-23 2018-04-24 维沃移动通信有限公司 一种目标专题的推送方法及移动终端
CN109831472A (zh) * 2017-11-23 2019-05-31 苏州跃盟信息科技有限公司 一种信息推送、信息显示方法和系统
CN107958042B (zh) * 2017-11-23 2020-09-08 维沃移动通信有限公司 一种目标专题的推送方法及移动终端
CN109831472B (zh) * 2017-11-23 2021-04-06 苏州跃盟信息科技有限公司 一种信息推送、信息显示方法和系统
CN108509630A (zh) * 2018-04-09 2018-09-07 北京搜狐新媒体信息技术有限公司 一种新闻推荐方法及装置
CN109063209A (zh) * 2018-09-20 2018-12-21 新乡学院 一种基于概率模型的网页推荐解决方法
CN111666467A (zh) * 2019-03-07 2020-09-15 上海博泰悦臻网络技术服务有限公司 车辆、车机设备及其车机设备新闻追踪报道方法

Also Published As

Publication number Publication date
CN101694659B (zh) 2012-03-21

Similar Documents

Publication Publication Date Title
CN101694659B (zh) 基于多主题追踪的个性化网络新闻推送方法
US10824660B2 (en) Segmenting topical discussion themes from user-generated posts
CN104598607B (zh) 推荐搜索短语的方法及系统
Shi et al. Learning-to-rank for real-time high-precision hashtag recommendation for streaming news
CN102929861B (zh) 一种文本情感指数计算方法和系统
El-Fishawy et al. Arabic summarization in twitter social network
CN104765769A (zh) 一种基于词矢量的短文本查询扩展及检索方法
CN108388914B (zh) 一种基于语义计算的分类器构建方法、分类器
Fang et al. Topic aspect-oriented summarization via group selection
CN103049435A (zh) 文本细粒度情感分析方法及装置
CN103970873A (zh) 一种音乐推荐方法和系统
CN110110225B (zh) 基于用户行为数据分析的在线教育推荐模型及构建方法
CN105068991A (zh) 一种基于大数据的舆情发现方法
Tsai et al. Financial keyword expansion via continuous word vector representations
CN103324666A (zh) 一种基于微博数据的话题跟踪方法及装置
CN102033880A (zh) 基于结构化数据集合的标注方法和装置
CN103186574A (zh) 一种搜索结果的生成方法和装置
CN104965823A (zh) 一种基于大数据的观点抽取方法
Kacem et al. Time-sensitive user profile for optimizing search personlization
CN103823849A (zh) 词条的获取方法及装置
CN109241277A (zh) 基于新闻关键词的文本向量加权的方法及系统
CN106126605A (zh) 一种基于用户画像的短文本分类方法
US20210256221A1 (en) System and method for automatic summarization of content with event based analysis
CN109214454A (zh) 一种面向微博的情感社区分类方法
US9058328B2 (en) Search device, search method, search program, and computer-readable memory medium for recording search program

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant