Modeling and broadening temporal user interest in personalized news recommendation

در ابتدا ما ابتدا یک مطالعه تجربی در مورد تکامل منافع کاربر در سیستم های پیشنهاد دهنده اخبار دنیای واقعی ارائه می دهیم و سپس یک رویکرد توصیه توصیه می کنیم که در آن تنظیمات بلند مدت و کوتاه مدت خواندن کاربران به صورت یکپارچه یکپارچه می شوند توصیه های خبری با توجه به سلسله مراتب مقالات تازه منتشر شده، گروه های خبری که کاربر می تواند ترجیح دهند با استفاده از نمایه بلند مدت، و سپس در هر گروه خبری منتخب، لیستی از آیتم های خبری را به عنوان کاندیداهای توصیه شده بر اساس کوتاه مدت انتخاب می کنند، مشخصات کاربر طولانی مدت ما پیشنهاد می دهیم که اخبار خبری را از نمودار وابستگی مورد استفاده کاربر با استفاده از مدل تحریک تصادفی تصادفی برای افزایش تنوع لیست اخبار توصیه شده انتخاب کنیم. آزمایش های تجربی گسترده در مجموعه ای از اطلاعات خبری که از وب سایت های خبری مختلف یافت می شود، اثربخشی روش ما را نشان می دهد.