融合跳转关系和用户偏好的新闻热度预测 |
| |
引用本文: | 刘华玲,陈宁,任青青,钱珂佳.融合跳转关系和用户偏好的新闻热度预测[J].系统科学与数学,2024(3):723-740. |
| |
作者姓名: | 刘华玲 陈宁 任青青 钱珂佳 |
| |
作者单位: | 1. 上海对外经贸大学统计与信息学院;2. 哥伦比亚大学工学院 |
| |
基金项目: | 国家社科基金重大项目(21ZDA105)资助课题; |
| |
摘 要: | 互联网时代的到来使新闻更新频率加快、传播范围更广,为了迅速控制不良信息、加强互联网信息治理,构建模型预测新闻未来热度具有重要意义.文章聚焦新闻间关系的挖掘,在适度融合用户偏好信息的前提下,提出了一种融合跳转关系和用户偏好的新闻热度预测方法.该方法首先结合新闻内容和历史跳转概率生成新闻跳转关系网络,并使用文章提出的多任务图卷积矩阵补全模型MGCMC (multi-task graph convolutional matrix completion)对分布稀疏且不平衡的跳转概率矩阵进行预测,以获得未来的新闻跳转关系网络特征,当新闻平台推荐给用户一组处于传播状态的新闻时,结合用户个性化偏好预测其点击行为,最终获得新闻热度.基于真实用户-新闻交互数据集Mind的实验结果表明,MGCMC相比现有的矩阵补全和不平衡预测模型表现更佳,能更准确地预测用户-新闻点击行为,并更准确发现热度较高的新闻.
|
关 键 词: | 图神经网络 多任务学习 矩阵补全 热度预测 |
|
|