万维网(WWW)的进步,新闻阅读风格的人在互联网快速发展,和新闻阅读模式的人慢慢地改变了传统的打印模式互联网( 1]。随着互联网提供大量的新闻文章无数资源,在线阅读新闻文章已成为流行,对许多人的日常生活。然而,这是一个艰巨的任务对于新闻读者识别的新闻文章有关他们( 2]。为缓解信息过载的问题,新闻对新闻门户网站推荐系统起着至关重要的作用。新闻推荐有一定独特的挑战[ 2)与其他领域建议如项目相比,电影,音乐,新闻文章的相关性可能迅速变化间隔时间短有关每个最近的事件发生在世界各地。然而,新闻网站更新新闻文章立即每次,但一些新闻文章可能会过时的突发新闻多次在同一话题持续一整天推荐过程中需要不断的更新。此外,个人在阅读新闻文章主题敏感;结果,他们通常感兴趣的几个新闻类别,包括娱乐和运动。因此,预测用户的兴趣在这些类别根据自己的阅读习惯是一项非常具有挑战性的任务。

除此之外,如今,人们从社交媒体获取新闻文章而不是从新闻网站。的新闻文章可以在在线社交媒体成为病毒传播,达到人立即由于一般开放讨论[ 3]。这个讨论有助于识别各种病毒的新闻和事件发生在整个世界。人在获得这种病毒表现出兴趣和新鲜的新闻文章。所以,它变成了一个需要框架系统,建议此类病毒的新闻文章从社交媒体以及新鲜的新闻频道的新闻文章纯粹基于用户的多样化的阅读习惯。在本文中,我们提出一个模糊逻辑方法来预测用户的多元化的利益,因为模糊逻辑已广泛应用于推荐系统来处理不确定性,impreciseness,模糊性和用户的行为和做出最佳预测用户的兴趣( 4, 5]。摘要Mamdani模糊推理系统是用于预测用户的兴趣以下类别,即商业、体育、科技、娱乐、和政治。

在许多先前的工作 6- - - - - - 9),新闻文章推荐完全基于用户的兴趣。然而,他们没有给关注推荐病毒从社交媒体获得的新闻文章。一些研究者关注这个问题,他们建议新闻文章利用社交媒体feed-Twitter [ 10- - - - - - 13]。这项工作也决定了病毒从Twitter和新闻文章另外从Facebook。很多人遇到新闻文章在Facebook上的朋友的股票或喜欢。如此,Facebook成为最好的新闻文章共享信道( 3, 14]。

这项工作的主要贡献是总结如下: (1)

模糊逻辑方法来预测用户的多样化兴趣不同的新闻类别使用Mamdani模糊推理系统

剩下的论文框架如下。部分 2讨论了相关的作品关于基于流行度和个性化推荐。部分 3描述该工作及其体系结构和数据集建设的简要描述和分析。部分 4处理实验结果的工作。部分 5提供的结论和未来的工作的可能性。

推荐系统在电子商务(RS)扮演着重要的角色。它帮助人们应对信息过载的问题 15- - - - - - 17]。RS的主要目的是来过滤信息从多个资源根据用户的兴趣或偏好。在过去的几十年,值得注意的中已经作了一些改进的建议。推荐系统已经应用在许多领域,包括电影(电影推荐) 18)、项目(建议项) 19, 20.)、新闻(新闻推荐) 21),音乐(音乐推荐) 22]。相比之下,所有上述推荐系统、新闻推荐系统通常有一些独特的特点,不存在于其他RS ( 2]。它能帮助人们与外界即时升级。此外,它表明新闻文章的人对他们的兴趣。为了使其个性化,RS构建和维护每个用户的用户配置文件,捕捉人们的兴趣随着时间的推移,使用显式或隐式信息。明确的信息的形式获得评级,喜欢/不喜欢直接的用户( 23]。同样,隐式信息监测和解释的形式获得用户的浏览历史 24]。实质性研究工作进行的新闻推荐系统使用显式或隐式的用户配置文件的预测用户的兴趣,通过应用不同的技术建议。李Won-Jo et al。 25)预测用户的兴趣从他们的个人资料的频率和逆文档频率(TF-IDF)方法。他们通过观察用户的Twitter用户配置文件设计活动(标签、推特和转发)。Billsus和Pazzani 6)设计一个智能代理,预测用户的短期和长期利益通过应用多策略机器学习方法,也就是说,近邻和朴素贝叶斯分类器。刘等人。 21)提出了贝叶斯框架从他们的隐式剖面预测用户的兴趣。此外,他们尝试在谷歌新闻服务获得更好的推荐结果。白等。 26)提出了一个新颖的方法来预测用户的兴趣用户的隐式配置文件。这里,用户配置文件是由监控用户的交互设计的新闻网站和搜索历史。谢长廷et al。 27)提出了channel-aware潜在狄利克雷分配技术预测用户的个人资料的兴趣。用户配置文件是通过监测用户详细信息构造跟踪从他们的电子邮件,Facebook和Twitter的活动。Saranya和Sudha Sadasivam 28改动]提出的基于集合的协同过滤技术是失踪的消息类别为每个用户。朴et al。 29日)建议新闻推荐使用Mahout和主存数据库架构。新闻偏好的用户计算时间的基础上由用户阅读特定的新闻文章。他们建造了用户配置文件的用户的智能device-accessed web页面。他们认为用户首选的新闻类别使用朴素贝叶斯分类器。Adnan et al。 30.)提出模糊基于逻辑的基于内容的新闻推荐一组相关的文章到其他用户的文章读。他们通过爬行构造隐式的用户配置文件 bdnews24.com网站使用谷歌分析。然而,在这个提议,隐式的用户配置文件建立和监控使用代理代理,和用户的利益预测准确使用模糊逻辑approach-Mamdani模糊推理系统个性化推荐。

除此之外,必须包括趋势和流行的新闻文章通过挖掘社交媒体为提高个性化推荐系统。Natarajan和卫生部 31日)提出了基于流行度新闻推荐系统基于用户的首选位置、流行和趋势。他们决定时尚新闻文章通过分析社会media-Twitter提供良好的建议。Jonnalagedda et al。 10]提出了基于流行度新闻推荐系统使用微博(微博)以及个性化的系统。他们排名新闻文章通过识别最受欢迎的新闻文章通过分析Twitter公共时间表。然而,在我们的知觉,没有研究工作集中在矿业Facebook feed来确定最受欢迎的(病毒)的新闻文章。在计划的工作,我们有解决这个问题的改善提供更好的推荐结果的基于流行度的建议。

本文包含三个方面的贡献。首先是用户的多元化利益类别预测从他们的隐式配置文件(阅读历史)使用Mamdani模糊推理系统(小额信贷机构)。二是分析和检索的病毒新闻文章通过研究社会媒体,Twitter和Facebook feed,选择熟悉的类别。第三是新鲜的新闻文章的建议从RSS提要以及病毒从社交媒体新闻提要基于用户的兴趣类别。图 1描绘了新闻推荐框架的总体架构。

实验进行了用户IUP 25日连续15天的时间来衡量该方法(小额信贷机构)的性能。这种方法的主要目的是处理不确定性的IUP预测用户的兴趣和在以下类别分类准确,即体育、商业、娱乐、科技、和政治。每个域的输入属性CF和SSQ得到IUP和美联储作为输入的小额信贷机构。三个语言变量被定义为CF和SSQ使用高斯隶属函数和成员值表来表示 4和 5,分别。语言变量表示为0 - 3低、中3 - 7和高7 - 10。同样,三个语言变量被定义为输出属性为特定类别使用三角形隶属函数,和成员的值在表表示 6。语言变量被表示为清廉不感兴趣,感兴趣的10 - 20、20 - 30和高度感兴趣。

基于语言变量,9模糊规则框架,提供了部分细节 3.2。规则存储在表模糊联想记忆(FAM)如表所示 7。

接下来,去模糊化方法、质心、应用,它精确地预测用户的兴趣。例如,defuzzified脆值如表所示 8对CF和SSQ。

R编程实现的建议的方法是使用FuzzyR包,所有的域和预测准确性是单独评估。该方法小额信贷机构的性能与以下分类技术,也就是说,决策树,然而,随机森林,和朴素贝叶斯预测用户的兴趣类别。为了评估这些分类器的性能,输入数据集分类的第一次训练,然后测试用户的兴趣分为以下几类:体育、商业、娱乐、科技、和政治。提出了小额信贷机构的方法的性能优于所有类别的预测用户的兴趣相比,上述分类技术如图 9- - - - - - 13。整体用户的利益提出方法的预测精度对于所有类型的达到84.238%,如图 14。

传统个性化的新闻建议面临两个关键的挑战,即多元化的预测用户的兴趣和挖掘社交媒体解决受欢迎的新闻文章。本文提出了小额信贷机构的方法克服挑战,预测用户的兴趣类别,和识别的病毒特定领域的新闻文章利用Facebook和Twitter feed,同样,解决RSS提要的最新新闻文章为特定类别。实验结果表明,提出的方法(小额信贷机构)获得总体84.238%的预测类别的用户的兴趣。然后,整体新闻文章推荐的准确性从新闻提要,Facebook和Twitter达到100%,90%,100%。

这项工作是有限的预测用户的兴趣类别只有几个领域。这项工作表明扩展预测用户的兴趣类别为多个域更好的建议。