排序方式： 共有1条查询结果，搜索用时 15 毫秒
1
1.
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. 相似文献
1
