基于社交媒体挖掘的智能模糊规则个性化新闻推荐

抽象的

推荐相关和合适的新闻文章是必要的，但由于用户兴趣类别随着时间的推移而变化，这是一项具有挑战性的任务。此外，互联网技术从海量的资源中提供了丰富的新闻文章。与此同时，现在很多人在没有考虑到新闻网站的情况下，通过社交媒体就可以免费看到病毒式的新闻文章。因此，挖掘社交媒体以解决此类病毒式新闻文章成为另一个关键挑战。为了克服上述挑战，本文提出了模糊逻辑方法，通过分析用户的隐式用户轮廓来预测用户的多样化兴趣及其类别。根据用户的兴趣类别，我们通过挖掘社交媒体(facebook和Twitter)来确定并分析病毒式新闻文章及其类别。此外，从新闻源中检索到新鲜的新闻文章，并结合检索到的病毒式新闻文章，根据用户的不同兴趣进行推荐。该方法预测用户对所有类别的总体兴趣的性能达到84.238%，News feed、Facebook和Twitter对用户兴趣类别的推荐准确率分别达到100%、90%和100%。

1.介绍

随着万维网(WWW)的发展，人们的新闻阅读方式在互联网上得到了快速的发展，人们的新闻阅读模式也逐渐从传统的印刷模式向互联网模式转变[1]．随着互联网提供了从众多资源中获取各种各样的新闻文章，在线阅读新闻文章已经成为一种流行和日常的许多人。然而，对于新闻读者来说，识别与他们相关的满意的新闻文章是一项艰巨的任务[2]．为了减轻信息过载问题，新闻推荐系统对新闻门户网站起着至关重要的作用。新闻建议具有一定的独特挑战[2与其他领域的建议，如项目，电影，和音乐，新闻文章的相关性可能迅速变化的时间间隔内，每一个最近发生的事件发生在世界各地。然而，新闻网站每次都会立即更新新闻文章，但一些新闻文章可能会因为一天中多次出现同一话题的突发新闻而过时，需要在推荐过程中不断更新。此外，阅读新闻文章的个体具有话题敏感性;因此，他们通常对包括娱乐和体育在内的几个新闻类别感兴趣。因此，根据用户的阅读习惯来预测用户对这些类别的兴趣是一项具有挑战性的任务。

除此之外，人们还从社交媒体而不是新闻网站获取新闻文章。可以在网上社交媒体中传播的新闻文章成为病毒性的，并且由于一般开放讨论而立即到达人民[3.]．这一讨论有助于识别各种病毒新闻和事件发生在整个世界。人们对获得这样的病毒式和新鲜的新闻文章表现出极大的兴趣。因此，有必要建立一个系统，纯粹根据用户多样化的阅读习惯，从社交媒体上推荐病毒式传播的新闻文章，以及从新闻频道上推荐新鲜的新闻文章。在本文中，我们提出了一种模糊逻辑方法来预测用户的多样化兴趣，因为模糊逻辑已经被广泛应用于推荐系统中，以处理用户行为的不确定性、不精确性和模糊性，并对用户的兴趣进行最优预测[4，5]．本文使用Mamdani模糊推理系统对商业、体育、科技、娱乐、政治等类别的用户兴趣进行预测。

在许多以前的作品中[6- - - - - -9]，新闻文章绝对是根据用户的兴趣推荐的。但是，他们并没有注意推荐从社交媒体获得的病毒式新闻文章。很少有研究人员关注这个问题，他们通过利用社交媒体feed-Twitter推荐新闻文章。10.- - - - - -13.]．这项工作确定了来自Twitter和Facebook的病毒式新闻文章。许多人是通过朋友们的分享或点赞才在Facebook上看到新闻的。因此，Facebook成为新闻文章分享的最佳渠道[3.，14.]．

这项工作的主要贡献总结如下：（1)利用Mamdani模糊推理系统，利用模糊逻辑方法预测用户对不同新闻类别的不同兴趣(2）通过挖掘Twitter和Facebook饲料测定和检索病毒新闻文章(3）推荐新鲜的新闻文章以及病毒式新闻文章，根据用户的兴趣类别从社交媒体检索

纸张的其余部分被框架如下。部分2讨论了基于流行度和个性化推荐的相关工作。部分3.描述了建议的工作及其架构以及数据集建设的简要说明及其分析。部分4对所提出工作的实验结果进行了讨论。部分5提供结论和未来工作的可能性。

2。文献综述

推荐系统在电子商务中起着至关重要的作用。它帮助人们解决信息超载的问题15.- - - - - -17.]．RS的主要目标是根据用户的兴趣或偏好从多个资源中过滤信息。在过去几十年里，在建议方面取得了值得注意的改进。推荐系统已经应用于许多领域，包括电影(电影推荐)[18.，项目(项目推荐)[19.，20.]，新闻（新闻推荐）[21.，音乐(音乐推荐)[22.]．相比之下，与上述所有的推荐系统相比，新闻推荐系统通常具有一些其他RS所没有的独特特征[2]．它帮助人们与外部世界即时更新。此外，它建议新闻文章的个人与他们的利益。为了使其个性化，RS为每个用户构建和维护用户概要文件，这些概要文件使用显式或隐式信息捕获人们的兴趣。明确的信息以评分的形式获得，由用户直接给出喜欢/不喜欢的信息[23.]．同样，隐式信息通过监视和解释用户浏览历史记录的方式获得[24.]．本文对新闻推荐系统进行了大量的研究，利用显性和隐性用户配置文件，通过不同的技术来预测用户的兴趣和推荐。Won-Jo Lee等[25.使用术语频率和逆文档频率(TF-IDF)方法从他们的配置文件中预测了用户的兴趣。他们通过观察用户的Twitter活动(标签、推文和转发)来设计用户档案。比尔苏斯和帕扎尼[6]利用多策略机器学习方法，即最近邻和naïve贝叶斯分类器，设计了预测用户短期和长期兴趣的智能代理。Liu等人[21.]提出了贝叶斯框架，从用户的隐式轮廓预测用户的兴趣。此外，他们还对谷歌新闻服务进行了实验，获得了更好的推荐结果。Bai等人[26.]提出了一种从用户隐式轮廓中预测用户兴趣的新方法。在这里，用户档案是通过监控用户与新闻网站的互动和他们的搜索历史来设计的。谢等人[27.]提出了基于信道感知的潜在Dirichlet分配技术来预测用户的兴趣。通过监视从电子邮件、Facebook和Twitter活动中跟踪的用户详细信息，构建了用户配置文件。Saranya和Sudha Sadasivam [28.]提出了基于粗糙集的协同过滤技术，用于为每个用户输入缺失的新闻类别。Piao等人[29.建议使用Mahout和主内存数据库的新闻推荐架构。用户的新闻偏好率是根据用户阅读特定新闻文章所花费的时间来计算的。他们通过用户的智能设备访问网页建立用户档案。他们确定用户更喜欢使用朴素贝叶斯分类器的新闻类别。Adnan等人[30.]提出了一种基于模糊逻辑的基于内容的新闻推荐方法，该方法针对用户所阅读的一组与其他文章相关的文章。他们通过爬行构建隐式用户档案bdnews24.com网站使用谷歌分析。然而，在本研究中，我们建立了隐式用户配置文件并使用代理进行监控，并使用模糊逻辑方法- mamdani模糊推理系统准确预测用户的兴趣，用于个性化推荐。

此外，通过挖掘社交媒体来改善个性化推荐系统，必须包括趋势和流行的新闻文章。Natarajan和Moh [31.]基于用户的首选地点，人气和趋势提出了基于人气的新闻推荐系统。他们通过分析社交媒体推荐来确定时尚新闻文章，以提供良好的建议。jonnalgegerda等。[10.]提出了使用微博服务（推文）以及个性化系统的基于流行的新闻推荐系统。他们通过分析Twitter公共时间表来确定最受欢迎的新闻文章来排名新闻文章。但是，在我们的看法中，没有一项研究作品专注于采矿Facebook饲料以确定最受欢迎的（病毒）新闻文章。在我们拟议的工作中，我们已经解决了改善基于人气的建议的这一问题，以便提供更好的建议结果。

3.拟议的工作

这篇文章包含三部分内容。首先是使用Mamdani模糊推理系统(MFIS)从用户的隐式轮廓(阅读历史)中预测用户的多样化兴趣类别。第二种是分析和检索病毒式新闻文章，通过探索社交媒体、Twitter和Facebook feeds，选择熟悉的类别。第三，根据用户的兴趣类别，推荐来自RSS feeds的新鲜新闻文章以及来自社交媒体feeds的病毒式新闻文章。数字1描绘了新闻推荐框架的整体架构。

3．1．数据收集和用户配置文件构建

用户配置文件代表用户的首选项和兴趣，旨在增强个性化新闻推荐系统的有效性。它可以为每个用户构建和维护。通常，用户配置文件具有两种类型，即显式和隐式。可以从用户直接提供的显式信息中构建显式用户配置文件（EUP）。它包括不同类别的新闻中的用户名，地址和特定兴趣，包括运动和业务。尽管如此，有些人不愿意自愿提供有关他们兴趣的反馈或信息。他们的兴趣推理需要跟踪他们浏览称为隐式用户配置文件（IUP）的浏览历史，该历史可以通过代理代理构造。IUP包含在搜索引擎上发布的搜索查询，访问的URL，标题和日期以及时间。在这项拟议的工作中，只有IUP内容被认为获得用户的兴趣类别。

并对访问过的url进行了分析，使用该方法获得了特定类别的点击频繁计数(CF)Directory.Mozilla.Org(DMOZ)。还分析了搜索查询类别(在搜索引擎上发布的)，并使用聚类技术确定了特定搜索查询计数(SSQ)。为了预测用户的不同兴趣类别，将CF和SSQ作为Mamdani模糊推理系统(MFIS)的输入属性。数字2说明了基于IUP的用户兴趣预测的总体架构，其中的内容被25个用户连续监测15天。

3.2。方法

一般来说，从用户的IUP中推断用户的兴趣类别是一项具有挑战性的任务，因为与如何精确表示和推断用户兴趣类别相关的不确定性。应用Mamdani模糊推理系统(MFIS)来解决这一问题，预测用户的兴趣。它是一个处理不确定性和不精确性的框架，通过隶属度函数和语言术语帮助人们做出决策[32.- - - - - -34.]．它模仿人类的兴趣，并使用If-Then规则表示。它是灵活的(只需添加或删除规则就可以轻松修改FIS)和可靠的(足以对属性中的模糊性和主观性建模)。下一节讨论MFIS的建模及其在预测用户多样化兴趣类别方面的应用。MFIS的建模首先是对输入属性“CF”和“SSQ”以及输出属性“特定类别的兴趣预测”的模糊化过程，利用隶属度函数将这些属性由清晰值转化为模糊值[35.]．提出的MFIS模型采用输入属性“CF”和“SSQ”的高斯隶属函数和输出属性“特定类别兴趣预测”的三角隶属函数相结合。平滑性选择高斯隶属函数，单调性选择三角形隶属函数。但采用试错法求得最优隶属函数。数据3.和4代表输入隶属函数的示意图，以及图5表示运动类别的输出隶属度函数。体育点击频率(SCF)和体育专项搜索查询(SSSQ)的输入隶属度函数可以分别通过不同程度的模糊集分为“低”、“中”和“高”。同样，输出隶属度函数也可以分为“不感兴趣”、“感兴趣”和“高度感兴趣”。为了形成规则库，MFIS的建模采用了模糊的“if-then”规则[36.[因此，表示输入和输出属性之间的关系。通过域名的知识，专家们制定了以下规则并存储在规则基础上。

示例规则如下：规则1：如果SCF低，SSSQ是低的，那么体育不感兴趣规则2:如果SCF较低，SSSQ为中等，则表示对运动感兴趣规则3:如果SCF低，SSSQ高，那么运动就有兴趣规则4:如果SCF是中等，SSSQ是低的，那么运动感兴趣规则5:如果SCF是中等的，SSSQ是中等的，那么运动是高度感兴趣的规则6:如果SCF是中等，SSSQ是高的，那么运动是高度感兴趣的规则7:如果SCF高，SSSQ低，那么运动就有兴趣规则8:如果SCF高，SSSQ中等，那么运动是高度感兴趣的规则9:如果SCF高，SSSQ高，那么运动是高度感兴趣的

根据隶属度函数值，执行MFIS规则库中的所有规则。然后，将所有前件和后件相结合的模糊决策建模，从而计算出输出值的总和。利用质心去模糊化方法将得到的聚合语言值转换为清晰值，并预测用户对“SCF”和“SSSQ”的兴趣，如图所示6。数字7阐述了“SCF”和“SSSQ”的表面观点，以及反映二者之间关系的体育项目兴趣预测。使用相同的MFIS模型预测用户对以下类别的兴趣，即商业、娱乐、技术和政治的CF和SSQ。

3.3。特定于域的受欢迎程度

现实世界的活动和新闻文章被人们在线社交网络平台上传播和讨论，如Twitter和Facebook。这些讨论在识别来自社交媒体的持续的病毒和时尚新闻文章方面是富有成效的。因此，这项拟议的工作支持确定这些病毒新闻文章从利用类别，即体育，商业，娱乐，政治和技术的社交媒体饲料。

3.3.1。特定领域的病毒式新闻识别来自Facebook

来自各种新闻门户网站的新闻文章可以被Facebook用户和他们各自的Facebook墙张贴、分享或喜欢[37.]．因此，新闻文章使用文章和类似计数的份额在Facebook中成为病毒性。病毒新闻文章可能来自不同的域。因此，有必要识别此类特异性病毒新闻文章。

这项工作通过使用Webhose.IO（社交媒体监测API）来确定来自Facebook的此类病毒域的新闻文章[38.]．它通过监控Facebook媒体的多个类别，提供对共享或点赞的有组织的结构化新闻文章的访问。每个类别包含多个子类别。例如，电影、生活方式和游戏等与娱乐相关的类别被归入娱乐类别。同样的事情也适用于其他类别。数字8说明了使用webhose.io api从facebook中检索病毒新闻文章。对每个新闻文章的类别进行每一天都会继续为每天更改。我们已发现股票计数，并喜欢某些类别的限制。因此，计数保持大于零。在这项工作中，在过去的三天内检索了两个最顶层的新闻文章，到了当前熟悉的类别的当前分钟。

表格1表示来自Facebook的与其类别相关的领域特定病毒式新闻文章的性能细节。为了评估这种性能，我们从每个类别中检索了两篇新闻文章。通过使用新闻分类器评估检索到的与各自类别相关的新闻文章类别。

3.3.2。从Twitter的域特定流行的HARHTAG和新闻检索

一般来说，人们会在Twitter上讨论新闻文章[39.通过被称为推特的短消息服务。Twitter用户可以将帖子按主题或类型分组到特定的标签下。随着在这些标签上发布的推文数量的增加，这些标签可能会变得流行。标签可能属于不同的领域。

此外，每个域都有几个HASHTAG。有必要从Twitter中识别每个域的此类特定于域相关的HASHTAG。因此，在这项工作中，使用HashTag搜索引擎工具识别每个域的相关HashTags。

除此之外，还构建了Twitter爬行引擎，用于检索特定类别中从最近三天到现在的每一分钟内与其域名相关的每个hashtag的tweet计数(如Section中所述3.3。1)应用Twitter API。因此，通过最大推文数(不包括转发)来获取热门的hashtags。接下来，考虑到这些流行的标签，检索到的两条最热门的推文包含了最大的点赞数，以及相应的新闻文章、Twitter帐号名称、语言、地点、日期和发布时间。表格2代表了对其类别的Twitter检索的流行域特定新闻文章的表现。

3.3.3。检索从新闻提要呈现的领域特定的新闻文章

这些新闻文章都是从印度时报、英国广播公司和有线电视新闻网等众多新闻机构提供的所有类别的RSS源中呈现出来的。RSS提要每次都提供即时更新的新闻文章。呈现的新闻文章包含新闻片段、描述、日期、时间和类别。表格3.表示从新闻提要呈现的特定于领域的新闻文章相对于用户感兴趣的类别的性能细节。

3.4。新闻文章推荐

MFIS用于预测用户对五类用户多样化的兴趣。感兴趣的用户可能属于多个类别。推荐的以下新闻文章根据用户的兴趣类别：（1)两篇热门新闻文章检索自Facebook连同标题，描述，类别，日期，时间，分享计数，和喜欢(2）两个流行的标签推文(最喜欢)与相应的新闻文章检索从Twitter连同日期，时间和类别(3）最新时间戳新闻文章以及标题，描述，发布日期和时间

4.结果与讨论

实验在25名用户的IUP上连续进行了15天的时间，以衡量所提出的方法（MFI）的性能。这种方法的主要目标是处理IUP的不确定性，以便预测用户的兴趣，并准确地将它们分类，即体育，商业，娱乐，技术和政治。从IUP获得每个域的输入属性CF和SSQ，并作为MFI的输入。使用高斯成员资格函数为CF和SSQ定义了三种语言变量，并且在表中表示成员资格值4和5,分别。语言变量分别为低0-3，中3-7，高7-10。同样，对于特定类别的输出属性，使用三角隶属度函数定义了三个语言变量，隶属度值如表所示6。语言变量表示为不感兴趣0-10，感兴趣10-20，高度感兴趣20-30。

基于语言变量，框架9个模糊规则，详情介绍3．2。规则存储在模糊关联记忆表FAM中，如table所示7。

然后，利用质心法进行去模糊化，精确预测用户的兴趣。例如，解模糊的脆值如表所示8关于CF和SSQ。

采用FuzzyR软件包将该方法应用于R编程中，并分别对各域的预测精度进行了评价。将该方法与决策树、KNN、随机森林和naïve Bayes等预测用户感兴趣类别的分类技术进行了比较。为了评估这些分类器的性能，首先对输入数据集进行训练，然后测试其对以下类别的用户兴趣类别进行分类:体育、商业、娱乐、技术和政治。与上述分类技术相比，所提出的MFIS方法在所有类别中的性能都优于用户的兴趣预测，如图所示9- - - - - -13.。如图所示，所提方法对所有类别的总体用户兴趣预测准确率达到84.238%14.。

4.1。推荐的准确性

我们从25个用户中随机抽取10个用户对新闻文章的推荐准确性进行了评估。根据用户的兴趣类别，我们从Facebook、Twitter和新闻推送中检索并推荐病毒式传播的和新鲜的新闻文章。

此外，还需要确定新闻文章的类别。我们使用新闻分类器识别检索到的新闻文章类别。因此，新闻推荐的整体性能是基于从Twitter、Facebook和新闻提要中检索到的关于用户感兴趣类别的新闻文章进行评估的15.。

5.结论和未来增强

传统的个性化新闻推荐面临两个关键挑战，即预测不同用户的兴趣和挖掘社交媒体来解决热门新闻文章。本文提出了一种MFIS方法，用于克服这些挑战，预测用户感兴趣的类别，并利用Facebook和Twitter提要识别病毒式领域特定的新闻文章，类似地，解决特定类别的RSS提要中的最新新闻文章。实验结果表明，该方法对用户兴趣类别的预测总体达到了84.238%。然后，news Feed、Facebook和Twitter的整体新闻文章推荐准确率分别达到100%、90%和100%。

这项工作仅限于对少数几个领域的用户感兴趣的类别进行预测。这项工作建议扩展到多个域的用户感兴趣类别的预测，以获得更好的推荐。

数据可用性

本研究中使用的数据集将不会由作者提供，因为用户的隐私将受到损害。

的利益冲突

提交人声明他们没有关于本出版物的利益冲突。

致谢

这项工作得到了Anna Centenary Research Colledowship（ACRF）（LR。NO / CFR / ACRF / 2017/33），安娜大学，钦奈。

参考文献

1. K. Park，J. Lee和J. Choi，“新闻建议的深神经网络”2017年美国计算机学会信息与知识管理会议论文集2017年11月，新加坡，第2255-2258页。视图:谷歌学术搜索
2. M. Karimi，D.Jannach和M. Jugovac，“新闻推荐系统 - 调查和道路，”信息处理与管理，卷。54，没有。6，pp。1203-1227,2018。视图:出版商网站|谷歌学术搜索
3. A. Al-Rawi，“社交媒体的病毒新闻”数字新闻，第7卷，第2期。1, 63-79页，2019。视图:出版商网站|谷歌学术搜索
4. O. Castillo，P. Melin和J.Kacprzyk，“神经和优化算法的模糊逻辑增强：理论方面和实际应用”计算智能研究，施普林格International Publishing, Cham, Switzerland, 2018。视图:谷歌学术搜索
5. R. R. Yager，“推荐系统的模糊逻辑方法”，模糊集与系统，卷。136，没有。2，pp。133-149,2003。视图:出版商网站|谷歌学术搜索
6. D. Billsus和M. J. Pazzani，“新闻故事分类的混合用户模型”UM99用户建模，第99-108页，施普林格，维也纳，奥地利，1999。视图:谷歌学术搜索
7. F. Garcin, C. Dimitrakakis和B. Faltings，“带有上下文树的个性化新闻推荐”，载于第七届ACM推荐系统会议论文集第105-112页，中国香港，2013年10月。视图:谷歌学术搜索
8. 张晓，“基于网页使用和网页内容挖掘的新闻推荐”，载于2013年IEEE第29届数据工程研讨会国际会议的诉讼程序（德德新闻）2013年4月，IEEE，澳大利亚布里斯班，第326-329页。视图:出版商网站|谷歌学术搜索
9. K. Lang，《新闻编辑:学习过滤网络新闻》1995年机器学习诉讼，pp.331-339，摩根Kaufmann，伯灵顿，马，美国，1995年。视图:谷歌学术搜索
10. N. Jonnalagedda, S. Gauch, K. Labille和S. Alfarhood，“在个性化新闻推荐系统中融入流行度，”Peerj计算机科学，卷。2，p。E63,2016。视图:出版商网站|谷歌学术搜索
11. N. Jonnalagedda和S. Gauch，“使用twitter的个性化新闻推荐”2013 IEEE/WIC/ACM Web智能(WI)与智能代理技术(IAT)国际联合会议论文集，卷。3，PP。21-25，IEEE，亚特兰大，乔治，2013年11月。视图:出版商网站|谷歌学术搜索
12. O. Phelan, K. McCarthy, M. Bennett，和B. Smyth，《羽毛的术语:基于内容的新闻推荐和使用twitter的发现计算机科学课堂讲稿， 448-459页，施普林格，柏林，海德堡，2011。视图:出版商网站|谷歌学术搜索
13. O. Phelan，K. McCarthy和B. Smyth，“使用Twitter推荐实时内容”第三个ACM会议关于推荐人系统的讨论会 - RECSYS'09， 385-388页，纽约，美国，2009年10月。视图:谷歌学术搜索
14. E.巴克希、M.所罗门和L. A.亚当，“在facebook上接触到意识形态多样化的新闻和观点，”科学，第348卷，第3期。6239，页1130-1132,2015。视图:出版商网站|谷歌学术搜索
15. J. Bobadilla，F. Ortega，A. Hernando和A.Gutiérrez，推荐系统调查“以知识为基础的系统，卷。46，pp。109-132,2013。视图:出版商网站|谷歌学术搜索
16. S. Jain, A. Grover, P. S. Thakur, S. Kumar Choudhary，“推荐系统的趋势、问题和解决方案”计算、通信与自动化国际会议论文集，pp.955-958，IEEE，Noida，印度，2015年5月。视图:出版商网站|谷歌学术搜索
17. D. Jannach，M. Zanker，F. Alexander和G. Friedrich，推荐系统:介绍，英国剑桥大学出版社，2010。
18. B. N. Miller, I. Albert, S. K. Lam, J. A. Konstan, J. Riedl，“不插电的MovieLens:与偶尔连接的推荐系统的体验”第八届智能用户界面国际会议论文集， 263-266页，美国佛罗里达州迈阿密，2003年1月。视图:谷歌学术搜索
19. y.Kim，B.-J.Yum，J.歌曲和M. K. Su，“基于电子商务网站的客户的导航和行为模式的推荐系统的开发，”具有应用的专家系统第28卷，第2期。2, 381-393页，2005。视图:出版商网站|谷歌学术搜索
20. G.林登、B.史密斯和J.约克，《亚马逊》。Com建议:项目到项目协作过滤，”IEEE互联网计算，第7卷，第2期。1, 76-80页，2003。视图:出版商网站|谷歌学术搜索
21. J. Liu, P. Dolan和E. R. Pedersen，“基于点击行为的个性化新闻推荐”，载于第15届智能用户界面国际会议的诉讼程序 - IUI'1031-40页，中国香港，2010年2月。视图:谷歌学术搜索
22. K. Yoshii，M. Goto，K. Komatani，T.Ogata和H. G.G.G.Okuno，使用逐步培训的概率生成模型进行高效的混合音乐推荐系统，“IEEE在音频，语音和语言处理中的交易，卷。16，不。2，pp。435-447，2008。视图:出版商网站|谷歌学术搜索
23. A.-H。Tan和C. Teo，“为个性化信息传播学习用户配置文件”，在1998年IEEE国际联合会关于神经网络诉讼会议的诉讼程序。IEEE世界智能世界大会（猫。98CH36227），第1卷，第183-188页，IEEE, Anchorage, AK, USA, 1998年5月。视图:出版商网站|谷歌学术搜索
24. R. Carreira, J. M. Crato, D. Gonçalves和J. A. Jorge，“评估新闻分类的自适应用户简介”，载于第九届智能用户界面国际会议论文集，第206-212页，葡萄牙Funchal, 2004年1月。视图:谷歌学术搜索
25. W.-J。李,K.-J。哦,C.-G。Lim,周宏儒。“从twitter提取用户资料用于个性化新闻推荐”第十六届国际先进通信技术会议论文集，pp.779-783，IEEE，Pyeongchang，韩国，2014年2月。视图:出版商网站|谷歌学术搜索
26. X. Bai, B. Barla Cambazoglu, F. Gullo, A. Mantrach和F. Silvestri，“利用用户的搜索历史进行新闻个性化，”信息科学，卷。385-386，pp。125-137,2017。视图:出版商网站|谷歌学术搜索
27. C.-K。谢、杨l、魏h、M.乃曼和D.埃斯特林，“沉浸式推荐:使用个人数字痕迹的新闻和事件推荐”第25届世界网络国际会议的诉讼程序，pp.51-62，加拿大蒙特利尔，2016年4月。视图:谷歌学术搜索
28. K. G. Saranya和G. Sudha Sadasivam，“基于粗糙集理论的个性化新闻文章推荐，”流动网络及应用第22卷，第2期。4, pp. 719-729, 2017。视图:出版商网站|谷歌学术搜索
29. 姚世杰，朴志军，顾永红，张建荣，“基于mahout和主存数据库的推荐系统架构”，《计算机科学与技术》，第5期，第6期。超级计算杂志(第74卷第1期)1, pp. 105-121, 2018。视图:出版商网站|谷歌学术搜索
30. M. N. M. Adnan, M. R. Chowdury, I. Taz, T. Ahmed, R. M. Rahman，“基于模糊逻辑的基于内容的新闻推荐系统2014国际信息、电子与视觉会议论文集2014年5月，孟加拉国达卡，第1-6页。视图:出版商网站|谷歌学术搜索
31. S. Natarajan和M. Moh，“基于混合用户资料、流行度、趋势和位置推荐新闻”2016协同技术与系统国际会议论文集， 204-211页，IEEE，奥兰多，佛罗里达，美国，2016年11月。视图:谷歌学术搜索
32. Sivanandam和Deepa，软计算原理(含CD)， John Wiley & Sons，美国新泽西州霍博肯，2007年。
33. 帕尔和米特拉，神经模糊模式识别:软计算方法， John Wiley & Sons, Inc.，美国新泽西州霍博肯，1999年。
34. D. Simić， I. Kovačević， V. Svirčević， S. Simić，“模糊集理论与模型在供应商评估和选择中的50年历史:文献综述”，应用逻辑学报，卷。24，pp。85-96,2017。视图:出版商网站|谷歌学术搜索
35. M. Rezaei，“使用Mamdani模糊推理系统间接测量完整岩石的弹性模量，”测量，卷。129，pp。319-331,2018。视图:出版商网站|谷歌学术搜索
36. M. Toseef和M. J. Khan，“智能移动应用程序，用于使用模糊推理系统诊断巴基斯坦作物疾病的诊断，”农业中的计算机和电子学， vol. 153, pp. 1-11, 2018。视图:出版商网站|谷歌学术搜索
37. Facebook.com,https://www.facebook.com/。
38. Webhose。io Data Feeds Power the Top Data Mining Services and News Aggregator Players，https://webhose.io/web-content-api.。
39. Twitter.com，https://twitter.com/。

版权

版权所有©2020 Saravanapriya Manoharan和Radha Senthilkumar。这是一篇开放获取的文章知识共享署名许可，允许在任何媒介上不受限制地使用、分发和复制，只要原稿被适当引用。