5.2 新闻分类个性化推荐系统设计 .................................. 43
第 5 章 新闻分类个性化推荐系统的设计与实现
5.1 新闻分类个性化推荐系统需求分析
本文在实现中文新闻文本分类的基础上，使用提出的分类算法分层双向-GRU 和组合-CNN 应用于新闻分类个性化推荐系统，设计并开发了可视化的新闻界面。该系统目标是采用新闻分类的深度学习算法和微信小程序技术，构建了一个新闻阅读和音乐推荐相结合的可视化应用平台。一方面，本文提出分类算法应用于新闻文本主题自动分类，为从事新闻管理和工作的人员提供了帮助，解决了海量新闻数据造成的信息过载问题，从而快速获取有价值的新闻信息。另一方面，为满足当代很多人在阅读时有听音乐的习惯，推荐系统主要通过使用新闻分类算法，将新闻类别与歌曲类别进行匹配，帮助人们从海量的歌曲中挑选出潜在的可能感兴趣的音乐，且优先推荐收藏和分享的对应类别歌曲。新闻分类个性化推荐系统的时间成本较低、费用开销较小，所以服务也容易被用户接受。
由系统目标可知，新闻分类的个性化推荐系统的主要任务是对新闻文本进行信息挖掘和有效分类。对新闻管理者来说，既可以从繁琐的新闻分类工作中解脱出来，也可以提升新闻分类的准确性，从而对提升新闻分类服务质量具有重要的价值。新闻分类个性化推荐系统采用小程序开发，开发环境主要使用微信开发者工具，微信小程序具有以下几点优势：第 1，优秀的用户体验，效果与 App 相同；第 2，它是一种用户不需要下载安装，即可随时随地使用的应用；第 3，共享微信生态，背靠 10 亿微信用户；第 4，线上线下相连接，可以更好拓展使用场景；第 5，调用接口众多，可进行不断的升级开发。因此，利用微信小程序的独特优势，根据用户新闻阅读的需求，同时将用户感兴趣的歌曲进行推荐，很大程度上提升了用户的体验。
结论
伴随高性能计算科技的不断进步，深度学习作为人工智能热潮的核心，给自然语言处理带来了重大变革。新闻分类有助于新闻信息的管理、新闻秩序的实现和新闻数据的挖掘。有效地筛选和分类不同主题新闻，可以减少人力资源投入，快速获取有价值的新闻信息。因此，如何通过深度学习方法处理海量新闻文本信息分类成为一项值得研究的课题。本文采用深度学习模型用于新闻文本分类，并从以下几个方面开展方法研究与应用。
（1）在文本表示方面，为文本特征的输入和提取提供了便利的词向量映射。针对中文的新闻文本分类较少和相关语料库欠缺的问题，根据构造的数据索引，本文设计采用权重抽取和词频统计的方法，制作了适合中文长文本分类的词汇表，并采用 One-hot和 Word2Vec 工具将文本数据嵌入成词向量表示，词汇表语义映射到实数向量。实验结果表明，在相同的数据集上深度学习和机器学习分类算法均取得了 80%以上的精确率，说明嵌入的词向量能够很好地描述文本特征。
（2）本文提出了中文新闻文本分类的技术框架，采用的主要处理流程包括数据预处理、文本表示、文本特征选择和分类器。分类器作为文本分类的核心，本文在深度学习模型 GRU 和 CNN 的基础上进行改进，分别提出并实现了分层双向-GRU 分类算法和组合-CNN 分类算法。分层双向-GRU 分类算法通过正序和逆序双向通道和多层隐藏层信息传递的方式，实现了对长文本前后信息的有效记忆。组合-CNN 分类算法通过分别卷积池化再组合的方式，使文本块局部特征提取更加全面。实验结果表明，分层双向-GRU 和组合-CNN 分类算法提高了中文新闻文本分类的准确性，精确率分别达到93.20%和 93.69%，优于对比的传统机器学习算法和深度学习算法。另外，对数据集均衡化处理后，分层双向-GRU 和组合-CNN 分类算法进一步取得了更好的分类结果，精确率分别高达 95.80%和 95.57%，召回率和 值两项指标也取得了很好的结果。进一步提高了中文新闻文本分类的准确性，能够让人们更加高效地获取和管理有价值的新闻信息。
参考文献（略）
