CN117216391B - 一种新闻推荐方法、系统及设备 - Google Patents

Abstract

本公开涉及一种新闻推荐方法、系统及设备，方法包括以下步骤：S01、为待推荐的新闻的各项评价指标配置对应的权重，评价指标包括目标用户对该新闻的阅读偏好属性以及该新闻的新闻数据属性；S02、获取目标用户对新闻的各项评价指标，结合各项评价指标对应的权重进行加权运算，获得该待推荐的新闻对该目标用户的推荐值；S03、重复步骤S02直至获得所有待推荐的新闻对该目标用户的推荐值；S04、根据各新闻的推荐值，按降序排列生成新闻推荐队列，按照所生成的新闻推荐队列的顺序为目标用户推送新闻。系统和设备用于执行上述方法。本公开可更有效、更具有针对性地为高校用户提供新闻推送服务，可提升高校用户的新闻信息获取效率及使用体验。

Description

一种新闻推荐方法、系统及设备

技术领域

本公开涉及新闻推荐算法的技术领域，具体涉及一种新闻推荐方法、系统及设备。

背景技术

新闻作为获取信息的主流渠道之一，在信息时代，电子新闻逐渐取代纸质报纸，成为新闻的主要载体，但网络上的电子新闻数据量繁多，如何针对目标用户，根据目标用户的用户信息和用户习惯，为目标用户推送感兴趣的新闻，是用户实现高效获取新闻信息及提升用户体验的关键，现有技术中的新闻推荐算法多针对社会新闻，结合用户阅读记录、新闻热度和阅读量等指标为用户推送新闻。

高校用户，如学生、教师作为校内新闻的主要阅读群体之一，上述现有技术中的新闻推荐算法不能完全满足高校用户的使用需求，因为不同校内用户群体对新闻的关注焦点和阅读频次并不相同，社会新闻与校内新闻的推送需求存在较大差异，因而，提供一种更适用于校内新闻、高校用户的新闻推荐方法，是本领域技术人员的实际需求。

发明内容

为了解决上述现有技术存在的问题，本公开目的在于提供一种新闻推荐方法、系统及设备。本公开针对高校的应用场景，结合校内新闻及高校用户的特征，可更有效、更具有针对性地为高校用户提供新闻推送服务，可提升高校用户的新闻信息获取效率及使用体验。

本公开所述的一种新闻推荐方法，包括以下步骤：

S01、为待推荐的新闻的各项评价指标配置对应的权重，所述评价指标包括目标用户对该新闻的阅读偏好属性以及该新闻的新闻数据属性；

S02、获取目标用户对其中一个待推荐的新闻的各项评价指标，结合各项评价指标对应的权重进行加权运算，获得该待推荐的新闻对该目标用户的推荐值；

S03、重复步骤S02直至获得所有待推荐的新闻对该目标用户的推荐值；

S04、根据各新闻的推荐值，按降序排列生成新闻推荐队列，按照所生成的新闻推荐队列的顺序为目标用户推送新闻。

优选地，步骤S01具体为：

定义每个待推荐的新闻均为一个评价对象，分别记为S₁,S₂,...,S_n(n>1)，定义一个评价对象的各项评价指标分别记为X₁,X₂,...,X_m(m>1)，将每个评价指标X_i(i∈(1,m))按照数值区间范围分为k个等级，分别记为P₁,P₂,...,P_k(k>1)，为每个等级对应配置一个权重w，分别记为w₁,w₂,...,w_k。

优选地，步骤S01中，定义其中一个待推荐的新闻的所属分类为目标新闻分类，该新闻所包含的关键词为目标关键词；

目标用户对该新闻的阅读偏好属性包括：目标用户在一定时间段内对该目标新闻分类的阅读次数、目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔、目标用户在一定时间段内对该目标关键词阅读次数、目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔、目标用户对该新闻的阅读状态以及该新闻的发布单位与目标用户所在单位的关系；

该新闻的新闻数据属性包括：该新闻的发布时间距离当前时刻的时间间隔以及该新闻的累计阅读次数。

优选地，所述目标用户在一定时间段内对该目标新闻分类的阅读次数按如下步骤获取：

定义待推荐的新闻的所属分类为目标新闻分类T，统计目标用户在当前N₁天内阅读属于目标新闻分类T的至少一个新闻T₁,...T_q(q≥1)，每个新闻对应的阅读次数依次为C₁,...C_q(q≥1)，则目标用户在当前N₁天内对该目标新闻分类的阅读次数X₁表示为：

X₁＝C₁+C₂+...+C_q；

目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔按如下步骤获取：

获取目标用户对该目标新闻分类的最后阅读时刻记为D_x，当前时刻记录为D_now，则目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔X₂表示为：

X₂＝D_now-D_x；

目标用户在一定时间段内对该目标关键词阅读次数表示目标用户在当前N₂天内浏览的所有新闻中目标关键词的出现次数，按如下步骤获取：

定义目标关键词为K₁,...K_r(r≥1)，目标用户在当前N₂天内阅读过包含所述目标关键词的新闻次数依次为C'₁,...C'_r(r≥1)，则目标用户在当前N₂天内对该目标关键词阅读次数X₃表示为：

目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔按如下步骤获取：

定义目标关键词为K₁,...K_r(r≥1)，目标用户阅读包含所述目标关键词的最后时刻分别为D₁,...D_r(r≥1)，当前时刻记录为D_now，则目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔X₄表示为：

X₄＝min{z}|D_z-D_now|,z∈[1,r]；

目标用户对该新闻的阅读状态表示为X₅，按如下步骤获取：

若目标用户未阅读该新闻，则令阅读状态X₅＝R₀，若目标用户已阅读该新闻，则令阅读状态X₅＝R₁；

该新闻的发布单位与目标用户所在单位的关系表示为X₆，按如下步骤获取：

若该新闻的发布单位与目标用户所在单位一致，则令X₆＝R'₀，若该新闻的发布单位与目标用户所在单位存在隶属关系，则令X₆＝R'₁，若该新闻的发布单位与目标用户所在单位不存在关系，则令X₆＝R'₂。

优选地，该新闻的发布时间距离当前时刻的时间间隔表示为X₇，按如下步骤获取：

定义该新闻的发布时间为D_f，当前时刻记录为D_now，则该新闻的发布时间距离当前时刻的时间间隔X₇表示为：

X₇＝D_now-D_f；

该新闻的累计阅读次数表示为X₈，按如下步骤获取：

设该新闻分别被用户Y₁,...Y_h(h≥0)，各用户的阅读次数依次为C”₁,...C”_h(h≥0)，则该新闻的累计阅读次数X₈表示为：

X₈＝C”₁+C”₂,...+C”_h(h≥0)。

优选地，步骤S02具体为：

根据所得各项评价指标的数值，查找该数值对应的数值等级记为P_X1,P_X2,...,P_Xm，并基于配置的权重w_X1,w_X2,...,w_Xm，按如下公式计算该新闻的推荐值G：

G＝P_X1*w_X1+P_X2*w_X2+...P_Xm*w_Xm。

优选地，所述新闻推荐方法还包括：

S05、当目标用户每阅读一个新闻时，重复步骤S01～S04，为目标用户推送新闻；当待推荐的新闻更新时，通过步骤S02单独计算更新的新闻的推荐值，基于所得推荐值进入步骤S04更新新闻推荐队列，按照更新的新闻推荐队列为目标用户推送新闻。

本公开的一种新闻推荐系统，包括：

配置模块：其用于为待推荐的新闻的各项评价指标配置对应的权重，所述评价指标包括目标用户对该新闻的阅读偏好属性以及该新闻的新闻数据属性；

推荐值计算模块，其用于获取目标用户对其中一个待推荐的新闻的各项评价指标，结合各项评价指标对应的权重进行加权运算，获得该待推荐的新闻对该目标用户的推荐值，并重复计算直至获得所有待推荐的新闻对该目标用户的推荐值；

推送模块，其用于根据各新闻的推荐值，按降序排列生成新闻推荐队列，按照所生成的新闻推荐队列的顺序为目标用户推送新闻。

本公开的一种计算机设备，包括信号连接的处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载时执行如上所述新闻推荐方法。

本公开的一种计算机可读存储介质，其上存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序被处理器加载时执行如上所述新闻推荐方法。

本公开所述的一种新闻推荐方法、系统及设备，其优点在于，本公开针对高校的应用场景，结合校内新闻及高校用户的特征，将评价指标分为用户的阅读偏好属性和新闻数据属性，并进一步将阅读偏好属性分为对该目标新闻分类的阅读次数、分类阅读间隔时长、关键词阅读次数、关键词阅读间隔时长、阅读状态以及发布单位与目标用户所在单位的所属关系，综合考虑上述多项指标，为高校用户提供更有效、更具有针对性的新闻推送服务，更适用于高校用户群体，可提升高校用户的新闻信息获取效率及使用体验。

附图说明

图1是本实施例所述一种新闻推荐方法备的步骤流程图；

图2是本实施例所述计算机设备的结构示意图。

附图标记说明：101-处理器，102-存储器

具体实施方式

如图1所示，本公开所述的一种新闻推荐方法，包括以下步骤：

S01、为待推荐的新闻的各项评价指标配置对应的权重，所述评价指标包括目标用户对该新闻的阅读偏好属性以及该新闻的新闻数据属性；

具体的，将每个待推荐的新闻都作为一个评价对象，分别记为S₁,S₂,...,S_n(n>1)，定义一个评价对象的各项评价指标分别记为X₁,X₂,...,X_m(m>1)，将每个评价指标X_i(i∈(1,m))按照数值区间范围分为k个等级，分别记为P₁,P₂,...,P_k(k>1)，为每个等级对应配置一个权重w，分别记为w₁,w₂,...,w_k。

如，本实施例中，定义其中一个待推荐的新闻的所属分类为目标新闻分类，该新闻所包含的关键词为目标关键词；目标用户对该新闻的阅读偏好属性包括：

目标用户在一定时间段内对该目标新闻分类的阅读次数，用X₁表示；

目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔，用X₂表示；

目标用户在一定时间段内对该目标关键词阅读次数，用X₃表示；

目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔，用X₄表示；

目标用户对该新闻的阅读状态，用X₅表示；

该新闻的发布单位与目标用户所在单位的关系，用X₆表示；

该新闻的新闻数据属性包括：

该新闻的发布时间距离当前时刻的时间间隔，用X₇表示；

该新闻的累计阅读次数，用X₈表示。

上述共8项评价指标，以目标用户在一定时间段内对该目标新闻分类的阅读次数为例，可定义阅读次数为1～3次时，该项评价指标的等级为1，阅读次数为4～6次时，该项评价指标的等级为2，阅读次数为7～9次时，该项评价指标的等级为3，以此类推，并根据实际计算需求，为每个等级对应配置一个权重，在进行推荐运算时，根据目标用户在一定时间段内对该目标新闻分类的阅读次数，查找其所处的区间，进而确定该新闻在这一项评价指标的等级，并获取到该等级对应的权重，以便于后续进行推荐值计算。

具体的，定义待推荐的新闻的所属分类为目标新闻分类T，统计目标用户在当前N₁天内阅读属于目标新闻分类T的至少一个新闻T₁,...T_q(q≥1)，每个新闻对应的阅读次数依次为C₁,...C_q(q≥1)，则目标用户在当前N₁天内对该目标新闻分类的阅读次数X₁表示为：

X₁＝C₁+C₂+...+C_q；

目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔按如下步骤获取：

获取目标用户对该目标新闻分类的最后阅读时刻记为D_x，当前时刻记录为D_now，则目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔X₂表示为：

X₂＝D_now-D_x；

目标用户在一定时间段内对该目标关键词阅读次数表示目标用户在当前N₂天内浏览的所有新闻中目标关键词的出现次数，按如下步骤获取：

定义目标关键词为K₁,...K_r(r≥1)，目标用户在当前N₂天内阅读过包含所述目标关键词的新闻次数依次为C'₁,...C'_r(r≥1)，则目标用户在当前N₂天内对该目标关键词阅读次数X₃表示为：

目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔按如下步骤获取：

定义目标关键词为K₁,...K_r(r≥1)，目标用户阅读包含所述目标关键词的最后时刻分别为D₁,...D_r(r≥1)，当前时刻记录为D_now，则目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔X₄表示为：

X₄＝min{z}|D_z-D_now|,z∈[1,r]；

目标用户对该新闻的阅读状态表示为X₅，按如下步骤获取：

若目标用户未阅读该新闻，则令阅读状态X₅＝R₀，若目标用户已阅读该新闻，则令阅读状态X₅＝R₁；

该新闻的发布单位与目标用户所在单位的关系表示为X₆，按如下步骤获取：

若该新闻的发布单位与目标用户所在单位一致，则令X₆＝R'₀，若该新闻的发布单位与目标用户所在单位或院系存在隶属关系，如该新闻的发布单位为目标用户所在单位的上级部门，则令X₆＝R'₁，若该新闻的发布单位与目标用户所在单位不存在关系，则令X₆＝R'₂。

该新闻的发布时间距离当前时刻的时间间隔表示为X₇，按如下步骤获取：

定义该新闻的发布时间为D_f，当前时刻记录为D_now，则该新闻的发布时间距离当前时刻的时间间隔X₇表示为：

X₇＝D_now-D_f；

该新闻的累计阅读次数表示为X₈，按如下步骤获取：

设该新闻分别被用户Y₁,...Y_h(h≥0)，各用户的阅读次数依次为C”₁,...C”_h(h≥0)，则该新闻的累计阅读次数X₈表示为：

X₈＝C”₁+C”₂,...+C”_h(h≥0)。

S02、获取目标用户对其中一个待推荐的新闻的各项评价指标，结合各项评价指标对应的权重进行加权运算，获得该待推荐的新闻对该目标用户的推荐值；

具体的，根据所得各项评价指标的数值，查找该数值对应的数值等级记为P_X1,P_X2,...,P_Xm，并基于配置的权重w_X1,w_X2,...,w_Xm，按如下公式计算该新闻的推荐值G：

G＝P_X1*w_X1+P_X2*w_X2+...P_Xm*w_Xm。

S03、重复步骤S02直至获得所有待推荐的新闻对该目标用户的推荐值；

S04、根据各新闻的推荐值，按降序排列生成新闻推荐队列，按照所生成的新闻推荐队列的顺序为目标用户推送新闻。

S05、当目标用户每阅读一个新闻时，表示目标用户完成了新的阅读行为，目标用户的阅读偏好属性发生变化，对应的待推荐新闻中的各项评价指标可能发生变化，因此需要重复步骤S01～S04，重新计算各个待推荐新闻的推荐值，基于推荐值重新排序，为目标用户推送新闻，以保证新闻推荐的时效性。

当待推荐的新闻更新时，用户的阅读偏好属性没有发生变化，此时无需重新计算所有待推荐的新闻的推荐值，只需按照上述步骤S02，单独计算更新的新闻的推荐值，基于所得推荐值进入步骤S04，更新新闻推荐队列，按照更新的新闻推荐队列为目标用户推送新闻。

本实施例的新闻推荐方法，针对高校的应用场景，结合校内新闻及高校用户的特征，将评价指标分为用户的阅读偏好属性和新闻数据属性，并进一步将阅读偏好属性分为对该目标新闻分类的阅读次数、分类阅读间隔时长、关键词阅读次数、关键词阅读间隔时长、阅读状态，尤其考虑高校用户对与自身关联性高，如自身所在单位或关联单位发布的相关新闻，因此将新闻发布单位与目标用户所在单位的所属关系作为评价指标之一，综合考虑上述多项指标，为高校用户提供更有效、更具有针对性的新闻推送服务，更适用于高校用户群体，可提升高校用户的新闻信息获取效率及使用体验。

本实施例还提供了一种新闻推荐系统，其特征在于，包括：

配置模块：其用于为待推荐的新闻的各项评价指标配置对应的权重，所述评价指标包括目标用户对该新闻的阅读偏好属性以及该新闻的新闻数据属性；

推荐值计算模块，其用于获取目标用户对其中一个待推荐的新闻的各项评价指标，结合各项评价指标对应的权重进行加权运算，获得该待推荐的新闻对该目标用户的推荐值，并重复计算直至获得所有待推荐的新闻对该目标用户的推荐值；

推送模块，其用于根据各新闻的推荐值，按降序排列生成新闻推荐队列，按照所生成的新闻推荐队列的顺序为目标用户推送新闻。

本实施例的新闻推荐系统与上述的新闻推荐方法属于相同的发明构思，可参照上文描述进行理解，在此不再赘述。

如图2所示，本实施例还提供了一种计算机设备，包括通过总线信号连接的处理器101和存储器102，所述存储器102中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器101加载时执行如上所述新闻推荐方法。存储器102可用于存储软件程序以及模块，处理器101通过运行存储在存储器102的软件程序以及模块，从而执行各种功能应用。存储器102可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器102还可以包括存储器控制器，以提供处理器101对存储器102的访问。

本公开实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行，即上述计算机设备可以包括计算机终端、服务器或者类似的运算装置。该计算机设备的内部结构可包括但不限于：处理器、网络接口及存储器。其中，计算机设备内的处理器、网络接口及存储器可通过总线或其他方式连接。

其中，处理器101(或称CPU(CentralProcessingUnit，中央处理器))是计算机设备的计算核心以及控制核心。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI、移动通信接口等)。存储器102(Memory)是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的存储器102可以是高速RAM存储设备，也可以是非不稳定的存储设备(non-volatile memory)，例如至少一个磁盘存储设备；可选的还可以是至少一个位于远离前述处理器101的存储装置。存储器102提供存储空间，该存储空间存储了电子设备的操作系统，可包括但不限于：Windows系统(一种操作系统)，Linux(一种操作系统)，Android(安卓，一种移动操作系统)系统、IOS(一种移动操作系统)系统等等，本公开对此并不作限定；并且，在该存储空间中还存放了适于被处理器101加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。在本说明书实施例中，处理器101加载并执行存储器102中存放的一条或一条以上指令，以实现上述方法实施例所述新闻推荐方法。

本公开实施例还提供一种计算机可读存储介质，其上存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序被处理器101加载时执行如上所述新闻推荐方法。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

在本公开的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本公开保护范围的限制。

对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本公开权利要求的保护范围之内。

Claims (5)

1.一种新闻推荐方法，其特征在于，包括以下步骤：

S01、为待推荐的新闻的各项评价指标配置对应的权重，所述评价指标包括目标用户对该新闻的阅读偏好属性以及该新闻的新闻数据属性；

S02、获取目标用户对其中一个待推荐的新闻的各项评价指标，结合各项评价指标对应的权重进行加权运算，获得该待推荐的新闻对该目标用户的推荐值；

S03、重复步骤S02直至获得所有待推荐的新闻对该目标用户的推荐值；

S04、根据各新闻的推荐值，按降序排列生成新闻推荐队列，按照所生成的新闻推荐队列的顺序为目标用户推送新闻；

步骤S01具体为：

定义每个待推荐的新闻均为一个评价对象，分别记为S₁，S₂，...，S_n(n＞1)，定义一个评价对象的各项评价指标分别记为X₁，X₂，...，X_m(m＞1)，将每个评价指标X_i(i∈(1，m))按照数值区间范围分为k个等级，分别记为P₁，P₂，...，P_k(k＞1)，为每个等级对应配置一个权重w，分别记为w₁，w₂，...，w_k；

步骤S01中，定义其中一个待推荐的新闻的所属分类为目标新闻分类，该新闻所包含的关键词为目标关键词；

目标用户对该新闻的阅读偏好属性包括：目标用户在一定时间段内对该目标新闻分类的阅读次数、目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔、目标用户在一定时间段内对该目标关键词阅读次数、目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔、目标用户对该新闻的阅读状态以及该新闻的发布单位与目标用户所在单位的关系；

该新闻的新闻数据属性包括：该新闻的发布时间距离当前时刻的时间间隔以及该新闻的累计阅读次数；

所述目标用户在一定时间段内对该目标新闻分类的阅读次数按如下步骤获取：

定义待推荐的新闻的所属分类为目标新闻分类T，统计目标用户在当前N₁天内阅读属于目标新闻分类T的至少一个新闻T₁，...T_q(q≥1)，每个新闻对应的阅读次数依次为C₁，...C_q(q≥1)，则目标用户在当前N₁天内对该目标新闻分类的阅读次数X₁表示为：

X₁＝C₁+C₂+...+C_q；

目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔按如下步骤获取：

获取目标用户对该目标新闻分类的最后阅读时刻记为D_x，当前时刻记录为D_now，则目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔X₂表示为：

X₂＝D_now-D_x；

目标用户在一定时间段内对该目标关键词阅读次数表示目标用户在当前N₂天内浏览的所有新闻中目标关键词的出现次数，按如下步骤获取：

定义目标关键词为K₁，...K_r(r≥1)，目标用户在当前N₂天内阅读过包含所述目标关键词的新闻次数依次为C′₁，...C′_r(r≥1)，则目标用户在当前N₂天内对该目标关键词阅读次数X₃表示为：

目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔按如下步骤获取：

定义目标关键词为K₁，...K_r(r≥1)，目标用户阅读包含所述目标关键词的最后时刻分别为D₁，...D_r(r≥1)，当前时刻记录为D_now，则目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔X₄表示为：

X₄＝min{z}|D_z-D_now|，z∈[1，r]；

目标用户对该新闻的阅读状态表示为X₅，按如下步骤获取：

若目标用户未阅读该新闻，则令阅读状态X₅＝R₀，若目标用户已阅读该新闻，则令阅读状态X₅＝R₁；

该新闻的发布单位与目标用户所在单位的关系表示为X₆，按如下步骤获取：

若该新闻的发布单位与目标用户所在单位一致，则令X₆＝R′₀，若该新闻的发布单位与目标用户所在单位存在隶属关系，则令X₆＝R′₁，若该新闻的发布单位与目标用户所在单位不存在关系，则令X₆＝R′₂；

该新闻的发布时间距离当前时刻的时间间隔表示为X₇，按如下步骤获取：

定义该新闻的发布时间为D_f，当前时刻记录为D_now，则该新闻的发布时间距离当前时刻的时间间隔X₇表示为：

X₇＝D_now-D_f；

该新闻的累计阅读次数表示为X₈，按如下步骤获取：

设该新闻分别被用户Y₁，...Y_h(h≥0)，各用户的阅读次数依次为C″₁，...C″_h(h≥0)，则该新闻的累计阅读次数X₈表示为：

X₈＝C″₁+C″₂，...+C″_h(h≥0)；

步骤S02具体为：

根据所得各项评价指标的数值，查找该数值对应的数值等级记为P_X1，P_X2，...，P_Xm，并基于配置的权重w_X1，w_X2，...，w_Xm，按如下公式计算该新闻的推荐值G：

G＝P_X1*w_X1+P_X2*w_X2+...P_Xm*w_Xm。

2.根据权利要求1所述新闻推荐方法，其特征在于，还包括：

S05、当目标用户每阅读一个新闻时，重复步骤S01～S04，为目标用户推送新闻；当待推荐的新闻更新时，通过步骤S02单独计算更新的新闻的推荐值，基于所得推荐值进入步骤S04更新新闻推荐队列，按照更新的新闻推荐队列为目标用户推送新闻。

3.一种新闻推荐系统，其特征在于，包括：

配置模块：其用于为待推荐的新闻的各项评价指标配置对应的权重，所述评价指标包括目标用户对该新闻的阅读偏好属性以及该新闻的新闻数据属性；

具体为：

定义每个待推荐的新闻均为一个评价对象，分别记为S₁，S₂，...，S_n(n＞1)，定义一个评价对象的各项评价指标分别记为X₁，X₂，...，X_m(m＞1)，将每个评价指标X_i(i∈(1，m))按照数值区间范围分为k个等级，分别记为P₁，P₂，...，P_k(k＞1)，为每个等级对应配置一个权重w，分别记为w₁，w₂，...，w_k；

定义其中一个待推荐的新闻的所属分类为目标新闻分类，该新闻所包含的关键词为目标关键词；

目标用户对该新闻的阅读偏好属性包括：目标用户在一定时间段内对该目标新闻分类的阅读次数、目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔、目标用户在一定时间段内对该目标关键词阅读次数、目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔、目标用户对该新闻的阅读状态以及该新闻的发布单位与目标用户所在单位的关系；

该新闻的新闻数据属性包括：该新闻的发布时间距离当前时刻的时间间隔以及该新闻的累计阅读次数；

所述目标用户在一定时间段内对该目标新闻分类的阅读次数按如下步骤获取：

定义待推荐的新闻的所属分类为目标新闻分类T，统计目标用户在当前N₁天内阅读属于目标新闻分类T的至少一个新闻T₁，...T_q(q≥1)，每个新闻对应的阅读次数依次为C₁，...C_q(q≥1)，则目标用户在当前N₁天内对该目标新闻分类的阅读次数X₁表示为：

X₁＝C₁+C₂+...+C_q；

目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔按如下步骤获取：

获取目标用户对该目标新闻分类的最后阅读时刻记为D_x，当前时刻记录为D_now，则目标用户对该目标新闻分类的最后阅读时刻距离当前时刻的时间间隔X₂表示为：

X₂＝D_now-D_x；

目标用户在一定时间段内对该目标关键词阅读次数表示目标用户在当前N₂天内浏览的所有新闻中目标关键词的出现次数，按如下步骤获取：

定义目标关键词为K₁，...K_r(r≥1)，目标用户在当前N₂天内阅读过包含所述目标关键词的新闻次数依次为C′₁，...C′_r(r≥1)，则目标用户在当前N₂天内对该目标关键词阅读次数X₃表示为：

目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔按如下步骤获取：

定义目标关键词为K₁，...K_r(r≥1)，目标用户阅读包含所述目标关键词的最后时刻分别为D₁，...D_r(r≥1)，当前时刻记录为D_now，则目标用户对该目标关键词的最后阅读时刻距离当前时刻的时间间隔X₄表示为：

X₄＝min{z}|D_z-D_now|，z∈[1，r]；

目标用户对该新闻的阅读状态表示为X₅，按如下步骤获取：

若目标用户未阅读该新闻，则令阅读状态X₅＝R₀，若目标用户已阅读该新闻，则令阅读状态X₅＝R₁；

该新闻的发布单位与目标用户所在单位的关系表示为X₆，按如下步骤获取：

若该新闻的发布单位与目标用户所在单位一致，则令X₆＝R′₀，若该新闻的发布单位与目标用户所在单位存在隶属关系，则令X₆＝R′₁，若该新闻的发布单位与目标用户所在单位不存在关系，则令X₆＝R′₂；

该新闻的发布时间距离当前时刻的时间间隔表示为X₇，按如下步骤获取：

定义该新闻的发布时间为D_f，当前时刻记录为D_now，则该新闻的发布时间距离当前时刻的时间间隔X₇表示为：

X₇＝D_now-D_f；

该新闻的累计阅读次数表示为X₈，按如下步骤获取：

设该新闻分别被用户Y₁，...Y_h(h≥0)，各用户的阅读次数依次为C″₁，...C″_h(h≥0)，则该新闻的累计阅读次数X₈表示为：

X₈＝C″₁+C″₂，...+C″_h(h≥0)；

推荐值计算模块，其用于获取目标用户对其中一个待推荐的新闻的各项评价指标，结合各项评价指标对应的权重进行加权运算，获得该待推荐的新闻对该目标用户的推荐值，并重复计算直至获得所有待推荐的新闻对该目标用户的推荐值；

具体为：

根据所得各项评价指标的数值，查找该数值对应的数值等级记为P_X1，P_X2，...，P_Xm，并基于配置的权重w_X1，w_X2，...，w_Xm，按如下公式计算该新闻的推荐值G：

G＝P_X1*w_X1+P_X2*w_X2+...P_Xm*w_Xm；

推送模块，其用于根据各新闻的推荐值，按降序排列生成新闻推荐队列，按照所生成的新闻推荐队列的顺序为目标用户推送新闻。

4.一种计算机设备，包括信号连接的处理器和存储器，其特征在于，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载时执行如权利要求1-2任一项所述新闻推荐方法。

5.一种计算机可读存储介质，其上存储有至少一条指令或至少一段程序，其特征在于，所述至少一条指令或所述至少一段程序被处理器加载时执行如权利要求1-2任一项所述新闻推荐方法。