8篇关于新闻的计算机毕业论文

今天分享的是关于新闻的8篇计算机毕业论文范文, 如果你的论文涉及到新闻等主题,本文能够帮助到你

智媒时代新闻个性化推荐的把关机制研究

这是一篇关于智媒时代,新闻,个性化推荐,算法,把关的论文, 主要内容为技术革新推动传媒业的一次次变革。大数据、人工智能技术的飞速发展让我们从新媒体时代过渡到智媒时代。新闻生产自动化给智能媒体带来广阔发展前景的同时,也加速了信息爆炸的挑战。面对海量的新闻资讯,用户如何快速获取想要的信息成为一大难题。为解决受众信息焦虑的困扰,新闻个性化推荐系统应运而生。新闻把关是新闻分发中一个重要的环节。智媒时代,算法分发冲击原有的分发模式,给新闻把关带来了挑战。新闻个性化推荐是智能媒体把关方式的一种。由于其被广泛应用且具有高度代表性,本文选取新闻个性化推荐为例,采用个案研究法、文献研究法研究智能媒体时代的新闻把关机制。通过分析新闻个性化推荐的发展现状,探索智媒时代新闻传播中的把关行为。从把关对象的主要特征、把关主体的构成、把关的实现路径三个方面深入分析了新闻个性化推荐的把关机制,总结其中存在的问题并提出改进建议。本文的研究意义主要分为两方面:第一,目前学术界关于智能媒体的研究存在学科分化的特点。新闻传播学者更关注其运营模式和新闻伦理角度,计算机领域的学者则更关注其技术实现方面。本文站在新闻传播学的视角下,融合了计算机领域的相关研究成果,对技术理解与传播策略的改良具有创新意义;第二,个性化推荐技术已经广泛应用于新闻传播领域。本文从新闻传播专业的角度出发,分析其算法为主导的推荐模式上的不足并合理地提出一些建议。

新闻事件识别系统的研究与实现

这是一篇关于事件识别,类别识别,卷积神经网络,主题句,新闻的论文, 主要内容为随着互联网技术的飞速发展和通信网络带宽与速度的不断提升,人们逐渐迈入自媒体时代。人们获取新闻的方式也从之前的纸质媒体,门户网站等逐渐转向朋友圈,微博以及各大新闻APP。每一个新闻的读者都有可能是新闻内容的创作者和生成者。在这种新闻体时代的浪潮下,随之而来的是新闻数量的激增,新闻类型的多样和新闻内容的良莠不齐。因此,无论是对于网络舆情的管理者,新闻内容的分发者,还是新闻报道的阅读者都需要一种方便快捷的手段获得新闻所表述的主要事件和对应领域。并以此判定是否需要花费更多的事件去处理、分发甚至去阅读这篇新闻。与此同时,人工智能应用和深度学习方法逐渐取代传统的机器学习方法,在图像识别,语音识别等领域取得突破性的进展并逐渐有国内外专家开始用这种新的技术去探索自然语言处理领域。基于此,在新闻搜索领域一种基于用户推荐的feed搜索方式渐渐出现,并逐渐替代传统的搜索方式,成为用户获取新闻的主要手段。而事件类别和新闻领域,往往是对一篇新闻很好的标签定义。为了尽快获取网络上新闻的领域类别,事件类型等新闻关键要素,本文设计并实现了一种新闻事件别系统,用于对新闻的事件类型,新闻领域及新闻主题句进行识别。本文完成了以下工作。首先,针对新闻事件识别领域国内外研究现状进行了调研,并对主要技术及研究成果进行了介绍;其次,针对系统在事件识别方面的需求,对本系统所识别新闻事件的进行了定义,提出了一种基于新闻主题句和触发词的新闻事件识别方法,并采用特征词的方法对新闻领域进行分类,从新闻事件所处的领域对一个新闻事件进行另一个角度描述;再次,对系统需求进行了简要分析,并依据需求分析对系统层次架构和功能架构进行总体设计;最后,对系统主要功能模块的功能设计,流程设计设计的关键算法及实现该算法的核心代码进行了详细说明,并在最后对系统各模块的运行界面进行了概要展示。其中,本文重点对新闻事件识别方法进行了研究,在关键的分类器部分由卷积神经网络模型替换了传统的机器学习模型。并给出了实验结果及对应的结果分析。研究并实现的新闻事件识别系统支持事件识别,类别识别,主题句识别和后台对模型、用户及触发词的管理。同时本文针对事件识别所采用的主要方法,从准确率,召回率和F1值三个方面对系统的性能进行验证,结果表明本系统能达到较高的识别和分类的准确率及覆盖率。

手机腾讯网新闻智能推荐系统的设计与实现

这是一篇关于智能推荐,新闻,FP-growth算法,增量更新的论文, 主要内容为随着互联网的发展,信息过载已经成为互联网时代一个急需解决的问题,而人们解决这个问题的办法层出不穷,除了给信息分类和提供更加出色的检索引擎,对于无法描述的信息获取,则需要智能推荐系统来做。个性化智能推荐系统,即是在互联网上使用数据挖掘等技术,给使用者提供个性化智能推荐的功能,来指导使用者有目的性地对产品和信息等进行阅读或浏览。这样一来,互联网完成了从“信息等待查询阶段”到“信息定点投递阶段”的过渡。为了解决这个问题,本课题决定以此为研究方向,去探究如何更加精确地猜测用户的兴趣所在,之后更加精确地给用户推送他们所喜爱的文章。本系统依托于手机腾讯网,实现了与原普通资讯页面同时存在的新闻智能推荐系统。手机腾讯网新闻智能推荐系统主要分为主题管理模块,推荐模块和展示模块。系统将文章根据来源和类型分成了71个主题,主题管理模块仅为部门新闻编辑设计,具体需求是编辑可以结合各种条件去搜索、处理、删除和下载新闻主题信息。新闻推荐功能是推荐系统的一个重要组成部分,主要实现购物篮算法推荐、用户模型建立和融合场景这三个功能。在推荐的模块中,系统使用了FP-growth购物篮算法,将用户的历史数据进行分析,得出基于文章主题的频繁集。通过搜集用户的数据,不断累积和计算同用户的兴趣较为关联的新闻主题集合,最终使得用户更精确地阅读到自己喜欢的文章。展示模块是推荐系统的入口,用户可以在展示界面浏览到推荐的新闻内容,同时用户也会将自己的行为记录在展示模块进行留存。在测试方面,已对手机腾讯网新闻智能推荐系统进行了功能性测试和非功能性测试,测试结果能够满足预期的要求,确定可以上线给新闻编辑和普通用户使用。整个系统已经上线使用达半年之久,目前用户反馈良好。

基于社交信号的个性化新闻推荐系统的设计与实现

这是一篇关于新闻,个性化推荐,协同过滤,数据挖掘,机器学习的论文, 主要内容为近年来随着网络技术的快速发展,信息呈爆炸式增长而造成信息量过载,导致用户想要在网络中找到有用的信息变得愈加困难。而门户网站、搜索引擎这些传统的方法并不能有效的解决这个问题,个性化推荐系统应运而生。个性化推荐系统通常是建立在海量数据挖掘基础上的一种高级商业智能平台,通过对用户的历史信息、行为的分析,过滤用户不感兴趣的信息,并预测其偏好及潜在的兴趣而进行有效的推荐从而改善用户的使用体验。新闻媒体也面临同样的挑战,新兴的新闻媒体开始采用个性化新闻推送机制,这方面的研究也不断涌现。目前,所使用的个性化新闻推荐系统包括：基于内容的推荐、协同过滤推荐、基于网络结构的推荐和混合推荐。它们都面临着一些共有的问题,如冷启动、准确度和召回率低、个性化过度等等,这些问题的解决可以从根本上极大地促进推荐系统的研究与应用。本文研究并综合了在个性化推荐领域的相关研究成果,探索性的将社交化的用户信号量应用在个性化新闻推荐系统当中,主要思路以及工作成果包括： (1)将用户的社交信号与新闻用户的点击历史记录相结合； (2)更加准确的判断用户兴趣,给出更合理、准确、综合的推荐结果。 (3)创新性地提出以用户社交维度为辅助信号量计算用户兴趣模型,并且通过公众兴趣以及反馈机制提高推荐准确度。 (4)以上述思路为出发点,结合实时性、数据规模、推荐准确度等因素,实现了一个个性化的新闻推荐系统。本文的研究成果为改进新闻推荐的实时性、新颖性、准确性、冷启动等问题提供了一种新的思路,在此基础上,可以进一步细化用户信号对于推荐过程的作用,扩展到其他信号量如搜索记录或者其他社交来源从而进一步提高用户、新闻的匹配精确度。

基于改进BERT和门控循环单元网络的新闻推荐系统研究和实现

这是一篇关于推荐算法,文本分类,新闻,卷积神经网络,特征融合的论文, 主要内容为新闻一直是人们获取信息、了解时事、拓展视野的重要途径。随着移动设备和互联网技术的快速普及,新闻阅读已经从报纸、电视转向网络平台。面对新闻产量的爆炸式增长,用户面临的一个严重问题就是信息过载,因此急需一种在短时间内过滤信息的手段,以获取符合用户兴趣和需求的新闻内容。然而,由于新闻文本特征提取难度大,数据稀疏,用户兴趣易发生漂移,现有的新闻推荐系统不能很好地满足用户不断增长的需求。针对上述问题,本文从两种策略出发,采用基于深度双向编码器的特征投影算法,以及基于多特征融合的门控循环单元算法实现个性化新闻推荐系统。本文主要包括以下几个内容:(1)针对新闻题材文章中存在的词汇不规范、语义不明确和特征稀疏等问题,提出了一种基于深度双向编码器的特征投影算法(Feature Projection Algorithm Based on Deep Bidirectional Encoder,DBERT-FPNet)用于新闻推荐。该方法首先采用爬虫方式获取新闻数据,并基于轻量级双向编码表征预训练模型对获取的新闻数据进行分词。然后,将处理的数据输入DBERT-FPNet算法进行特征提取。DBERT-FPNet模型由词嵌入、DBERT预训练模型以及FPNet模型3个模块组成。其中,词嵌入模块主要负责将词表示成静态向量,再由DBERT预训练模型提取全局语义特征信息;FPNet模型则负责将DBERT模型最终提取到的文本特征结合特征投影方法进行提纯,从而强化分类效果。最后,基于今日头条、搜狐新闻、新浪新闻和小型新浪新闻四个数据集进行了广泛的实验研究。结果表明,与预训练双向门控循环单元(BERT-Bidirectional Gated Recurrent Unit,BERT-BIGRU)相比,本文所提方法在四个数据集上准确率均有所提升。(2)针对当前的新闻推荐算法对新闻内容以及用户长短期兴趣挖掘不足的问题,提出了一种基于多特征融合的门控循环单元新闻推荐算法(Multi-Feature Fusion Based Gated Recurrent Unit News Recommendation Algorithm,MFFGRU)。该算法首先基于隐含狄利克雷分布从新闻正文中获取其潜在主题分布,然后基于新闻的标题、摘要、正文等文本内容,以及显式主题、潜在主题等附加信息学习统一的新闻表示。最后,本文采用门控循环单元(Gated Recurrent Unit,GRU)动态捕获随时间变化的新闻特征信息,挖掘用户的顺序兴趣特征,同时对用户的长、短期兴趣进行建模。此外,为了探究用户的当前关注和稳定偏好,该算法引入了注意力机制以实现个性化推荐。实验分析发现,在微软新闻数据集(Microsoft News Dataset,MIND)和MIND-small进行算法性能评估时,与轻量级图卷积神经网络相比,本文所提模型的曲线下面积均有所提升。(3)为了帮助用户快速找到个性化、高质量的新闻内容,提高阅读体验,本文依据上述提出的算法设计了一种基于深度学习的新闻推荐系统,该系统主要包含四个模块,用户可以通过用户模块注册、登录和管理个人资料,并在新闻信息模块浏览新闻信息,根据不同的分类、时间、热度等因素进行排序和筛选。新闻管理模块主要用于新闻的发布、修改和删除,该模块基于本文提出的推荐算法,可以依据用户的兴趣和偏好实施个性化推荐。此外,用户还可以通过用户交互模块对新闻内容进行点赞和评论,便于后期对用户行为进行分析。该系统可以帮助用户更加方便地获取自己感兴趣的新闻,同时也能够为新闻发布方提供更加精准的受众定位,是一种具有广泛应用前景的创新型系统。

基于用户浏览模式的新闻推荐系统设计

这是一篇关于新闻,混合算法,推荐系统的论文, 主要内容为如今的因特网行业正在快速发展,在这个时代,信息数量巨大,更新速度飞快,使得网络浏览者在众多资讯中无法找到自己真正所需。为了解决这一问题,在推荐系统出现之前,人们运用搜索引擎通过关键词找到自己对信息的需求,然而某些场景下用户无法很精确地明确自己所需要的关键词,使得搜索引擎的效果大打折扣。个性化推荐经过对用户数据的分析,从而发现他们的相应特征与偏好,及时提供最符合用户的推荐结果。作为有效解决用户没有明确需求下的信息过载问题的工具之一,它已经变为许多领域的研究热点。个性化推荐系统可以智能地为因特网用户推荐他们所感兴趣的内容,让人们从海量数据的迷茫中解脱出来。在因特网新闻方面,个性化推荐也极其重要,今日头条网(http://www.toutiao.com/)、新浪新闻网(http://news.sina.com.cn/)等网站每天都在发布各行各业的时事新闻,随着新闻信息量与信息更新速度的不断增大,网页新闻浏览者难以看到自身所感兴趣的新闻内容,常常让自己丢失在海量级别的新闻资讯中。当遇到这一类问题时,新闻推荐系统可以根据浏览者个性化的浏览记录,发掘出他们的潜在浏览偏好,形成相应的推荐结果。从而节约了大量浏览者的新闻探寻时间,提高了浏览者的满意度,同时降低网页新闻资源浪费程度。利用用户的显式反馈信息进行推荐的推荐方法是目前比较常见的方法,然而相对于显式反馈,由于隐式反馈信息更容易获取,具有普遍性,因此根据隐式反馈信息所设计的推荐系统具有更加广泛的适用性,本文所设计的推荐系统是根据隐式反馈信息所设计的。本文主要对网页新闻浏览者的隐式反馈数据进行处理,对推荐模型以及推荐算法、用户模型的构建、推荐的混合方案和策略等内容开展研究,将浏览者群体按照浏览频率进行划分,对不同浏览者群体采用不同推荐算法混合,对于经常浏览用户,综合用户协作型过滤算法、内容推荐算法进行结果上的混合,对于不常浏览用户,综合了物品协作过滤算法的相似度计算以及内容推荐算法的相似度计算法则,进行相应算法上的混合,并将得出的相应推荐结果与基于随机漫步的PersonalRank算法进行混合。使得推荐系统中单一算法存在的问题如新加入物品的推荐、数据的稀疏性等不足得以降低。根据上述设计思路以及相应算法的实现完成了整个新闻推荐系统的设计,同时本文所使用的混合策略的有效性在后续实验中根据相应评价指标的对比得以验证。

基于情感分析和知识图谱的新闻推荐系统

这是一篇关于情感分类,情感词典,知识图谱,推荐算法,新闻的论文, 主要内容为随着互联网的普及,庞大的用户群体产生了海量的数据,但是大众难以对海量数据进行有效接收和处理,从而会出现信息过载的问题。推荐系统是解决此问题的一种重要的手段,目前绝大部分推荐系统都依赖用户画像,但很多新闻站点并不包含用户系统,从而无法生成用户画像,最终导致在新闻领域并不能很好使用这些推荐系统,为了解决此问题,本文在基于内容的文本相似度推荐算法的基础上,开展了深入研究工作,提出了一系列改进的算法,并基于这些改进算法开发出一套新闻领域推荐系统,主要工作如下:(1)提出了一种多模型融合的新闻文本情感分类算法。首先本文对现有的情感分类算法进行分析,同时对现有的中文情感词典进行扩充,最后针对差分进化算法进行改进,形成一个多模型融合的情感分类算法,通过实验分析,在特定数据集上多模型融合的情感分类算法在分类准确率、F1两个评价指标上都优于被融合的分类算法,并且在基于情感词典的情感分类方法中,使用新闻领域扩充后的情感词典在分类准确率、F1两个评价指标同样优于现有的中文情感词典。(2)提出了一种融合知识图谱的基于文本相似度的推荐算法。本文首先结合新闻报道的要求,使用命名实体识别技术获取实体信息,之后结合知识图谱对实体信息进行知识扩充,最后将扩充后的知识作为文本特征应用于基于文本相似度的推荐算法上,形成一种融合知识图谱的基于文本相似度推荐算法,通过实验分析,融合知识图谱的基于文本相似度推荐算法在覆盖率和多样性这两个评价指标上要高于原始的基于文本相似度推荐算法。(3)设计并实现一个新闻领域推荐系统。使用多模型融合的新闻文本情感分类算法和融合知识图谱的基于文本相似度推荐算法,在此基础上结合工程背景搭建一套推荐系统,通过微服务技术使推荐系统具备高内聚、低耦合等特点,同时推荐系统对外提供多种方案进行异构系统间的数据同步,最后为了方便系统运维,增加了链路追踪和系统性能监控等组件。