[发明专利]一种信息处理方法及装置

说明书

本发明公开了一种信息处理方法，所述方法包括：确定特征集合，所述特征集合中至少包括一个及一个以上的特征，所述特征用于描述用户的阅读的文章兴趣；获取第一文章集合；根据所述特征集合从所述第一文章集合中确定第二文章集合；根据用户的标识信息获取用户的第三文章集合，所述第三文章集合为用户已阅读的文章集合；确定所述第三文章集合对应的第四文章集合，所述第四文章集合包括第二文章所组成的集合和所述第三文章集合，所述第二文章为所述第三文章集合中第一文章的相似文章；确定所述第四文章集合与所述第二文章集合之间的交集；将所述第二文章集合中除所述交集外的文章确定为第五文章集合；将所述第五文章集合输出。本发明同时还公开了一种信息处理装置。

技术领域

本发明涉及信息处理技术，尤其涉及一种信息处理方法及装置。

背景技术

互联网中重复新闻、博客、文章等数据约占总量的50％～70％，大量重复内容进入用户推荐阅读列表会非常影响用户的阅读体验。内容重复是一种个人阅读感知，用户对不同类别文章的内容重复认知也是不一样的。系统通过自动提取文章核心关键词进行文章相似度计算，并根据用户兴趣画像和阅读历史记录，依照用户阅读感知在线动态过滤重复文章。

相关技术在识别同源文章时会有比较高的准确率，其中同源文章是指同一篇文章内容被多个媒体进行转载，文章内容基本一致。但是对相同主题的文章识别相似度准确率很低，并且经常会产生误判；并且在计算文章分词的权重评分的时候，不同长度的文章TF(词频)对结果影像较大，从而导致最终结果会有偏差。此外，不同的文章相似度对不同兴趣类别的用户阅读感知也是不一样的，例如体育重度兴趣用户可能会财经类文章会不太敏感，但是对体育类别文章具有较强的需求。

发明内容

有鉴于此，本发明实施例为解决现有技术中存在的至少一个问题而提供一种信息处理方法及装置，能够针对单个用户做个性化过滤，从而有效增强用户的阅读体验。

本发明实施例的技术方案是这样实现的：

第一方面，本发明实施例提供一种信息处理方法，所述方法包括：

确定特征集合，所述特征集合中至少包括一个及一个以上的特征，所述特征用于描述用户的阅读的文章兴趣；

获取第一文章集合；

根据所述特征集合从所述第一文章集合中确定第二文章集合；

根据用户的标识信息获取用户的第三文章集合，所述第三文章集合为用户已阅读的文章集合；

确定所述第三文章集合对应的第四文章集合，所述第四文章集合包括第二文章所组成的集合和所述第三文章集合，所述第二文章为所述第三文章集合中第一文章的相似文章；

确定所述第四文章集合与所述第二文章集合之间的交集；

将所述第二文章集合中除所述交集外的文章确定为第五文章集合；

将所述第五文章集合输出。

第二方面，本发明实施例提供一种信息处理装置，所述装置包括第一确定单元、第一获取单元、第二确定单元、第二获取单元、第三确定单元、第四确定单元、第五确定单元和输出单元，其中：

所述第一确定单元，用于确定特征集合，所述特征集合中至少包括一个及一个以上的特征，所述特征用于描述用户的阅读的文章兴趣；

所述第一获取单元，用于获取第一文章集合；

所述第二确定单元，用于根据所述特征集合从所述第一文章集合中确定第二文章集合；

所述第二获取单元，用于根据用户的标识信息获取用户的第三文章集合，所述第三文章集合为用户已阅读的文章集合；