本文是对Personalized News Recommendation Based on Click Behavior 论文的阅读记录

协同过滤推荐新闻根据用户浏览点击的相似，在推荐新闻方面主要有两个缺点：

1 first-rater problem 不能给用户推荐别的用户还没有阅读过的新闻，新的新闻是随着时间不断增加的，CF需要数个小时来收集用户的click 

2 并不是所有用户都是对等的，没有考虑单个用户的兴趣差异性，例如娱乐新闻大多数人都喜欢，即使一个没有怎么点击娱乐新闻，但是他的邻居可能点击的很多，这样就给用户推荐的娱乐新闻比较多。

一个解决方案： 建立用户的profile，根据用户的profile过滤文章，即使新的新闻没有点击太多，也能被推荐。

系统的两个实践局限：1用户兴趣随时间变化 2 用户点击数量差异很大，如何对点击数量很少的用户也能很好的推荐

 用户的兴趣分为长期兴趣和短时兴趣，短时兴趣可能是因为某些hot news的发生，长期兴趣才是用户的真正兴趣，

结合了CB和CF方法。用户点击有很大的噪音

 1 对文本自动分类，建立用户对各个类别的喜好程度模型，然后对每个类别里面higher的文章推荐给用户。在一般topic水平来推荐而不是精确的tuning，因为用户是抱着show me sth interesting的态度来浏览网站，过度的对用户兴趣建模可能影响推荐效果。

2 点击分布： 文章先被分为一些预设好的类别（比如 娱乐，科技等）

对于每个用户u，计算用户在每个月 t 内的主题点击分布 D(u,t)

Ntotal表示这个月内 用户U的点击总量，Ni表示u对主题i的点击数量。 这是用户一个月的兴趣分布。

通过日志分析得到如下的结论：

     用户兴趣随着时间变化

     全局点击分布反应新闻趋势

     不同地区新闻趋势不同

      地区新闻趋势影响个人兴趣

用户兴趣：用户个人兴趣+当地的news trend 

用户个人因素 ：年龄，性别，点击新闻的分布，是长期兴趣

当地news trend ，比如一个火热话题，是短期兴趣 

3 使用Bayesian frameworks对用户兴趣建模 

 用户对一个类别的兴趣度：

pt (category ci | click)  用户点击属于ci的概率，可以用 D(u,t)估计

pt (category = ci) 文章属于类别ci的概率，可以用当地的D(t)估计

pt (click) 用户点击任何一篇文章的概率，该项可以忽略

 考虑更多的历史记录，合并一段时间的点击，得到如下式子

Nt，t时段用户点击的总次数。

 假设Pt（click）不随着时间变化，上式可以写为： 

 下面来计算news trend，用P0来表示

跟用户真正的兴趣合并：

对用户点击加入平滑G（设置为10），最终的预测公式如下：

我的微博 http://weibo.com/mainmonkey

 参考：

 1 Personalized News Recommendation Based on Click Behavior