全文总字数：3750字

1. 研究目的与意义及国内外研究现状

当今时代信息过载的问题不断增加，在资讯阅读方面更是这样，汹涌而来的新闻信息有时使人无所适从。如何从浩如烟海的新闻海洋中迅速而准确地获取自己最需要的信息，变得非常困难，严重影响了用户对新闻信息的阅读。

针对信息过载问题，目前主要的解决方案是信息检索技术和个性化推荐技术。以搜索引擎为代表的信息检索技术，用户可以通过关键字检索获取自己所需信息，但同一关键字搜索的结果是一致的，无法满足个性化的信息需求。而个性化推荐系统能很好地解决了这一问题。传统的新闻信息，并未掌握用户的兴趣特征和行为特性，新闻网站大多根据同期的热点事件进行推送，或者仅仅是根据新闻的投递时间进行推送。在这种简单的新闻推送下，虽然从短期内能获得不错的点击量，但是用户的粘性低，如果不能及时推送有针对性的新闻，网站的收益会受到不小的影响。

推荐系统从最初机器学习的一个分支领域逐步发展成为一门独立的学科，现在己经在很多领域得到了广泛应用。个性化推荐系统作为一种能够帮助用户及时发现对自己有用的信息的工具，旨在为不同的用户提供个性化的需求推荐服务，以满足不同用户的特定兴趣和需求。与搜索引擎不相同，个性化推荐系统不需要知道用户提供的明确的需求，就可以通过分析用户的历史行为，构建用户的兴趣模型，通过用户的兴趣模型，主动给用户推荐能够满足他们兴趣和需求的信息。个性化推荐系统从设计之初就是为了根据用户的行为分析出用户的偏好，继而在种类繁多的资源中筛选掉用户不关心的信息，只展示给特定的用户他感兴趣的信息，这样既节约了时间，又提升了用户的信息浏览体验，增加用户对产品的忠诚度。

2. 研究的基本内容

本次的课题的主要思路是通过混合策略辅助协同过滤算法来生成用户的个性化新闻推荐模型，解决协同过滤存在的冷启动和数据稀疏性问题。为用户推荐感兴趣的新闻，主要包含以下几个过程：基于lda的新闻主题模型构建、协同过滤算法的实现、基于混合策略的模型构建，最后研究并设计一个新闻推荐系统，通过该推荐系统给用户推荐感兴趣的新闻，完成个性化新闻的推荐。

基于lda的新闻主题模型构建：首先对新闻内容进行分词，统计分词结果的词频，转换为三元组的形式，使用lda算法提取新闻主题。

协同过滤算法：以用户为基础（user-based）的协同过滤，用相似统计的方法得到具有相似爱好或者兴趣的相邻用户，所以称之为以用户为基础（user-based）的协同过滤或基于邻居的协同过滤(neighbor-basedcollaborative filtering)。主要步骤为：收集用户信息、最近邻搜索(nearestneighbor search, nns)、产生推荐结果。

3. 实施方案、进度安排及预期效果

实施方案：获取新闻推荐系统功能需求，针对需求进行分析，使用matlab、python建立新闻推荐模型，使用idea作为编程环境，使用spring、springmvc、mybatis搭建新闻网站的框架，数据库采用mysql，综合运用以上技术并整合新闻推荐模型实现系统。

进度安排：

前期准备阶段：2017 年 12 月 20 日至 2018 年 1 月 14 日，完成任务书和开题报告。

4. 参考文献

[1]汪静. 协同过滤推荐算法研究综述[j]. 中国新通信, 2014, (13): 111-113.

[2]黄立威,刘艳博,李德毅. 基于深度学习的推荐系统[j]. 计算机学报,2017,40:1-29.

[3]孙晓会. 基于用户行为的个性化新闻推荐系统研究[d].电子科技大学,2015.