[发明专利]基于情感防护的新闻智能推荐系统

说明书

本发明提出一种基于情感防护的新闻智能推荐系统。包括：1.利用BERT预训练模型提取新闻特征和文本的特征词，通过新闻特征向量构建新闻特征矩阵；2.对文本信息进行情感过滤建立情感分级模型，对用户评论、新闻标题和内容实行情感分级以区分其消极和积极程度；3.通过聚类算法将新闻标签聚类，依据用户评论情感等级和用户行为时间对其浏览的新闻分配权重，以用户特征信息构建用户矩阵；4.以用户情感的时间序列预测用户下一时间段内的情感等级；5.通过计算用户和新闻向量的相似度产生推荐表，预测用户情绪状态，以贝叶斯方法按比例推荐新闻，实现动态推送。本发明避免负能量和消极的舆论对用户心理造成伤害，危害社会的公共安全。

技术领域

本发明属于计算机软件，人工智能，推荐系统领域，尤其涉及一种基于情感防护的新闻智能推荐系统。

背景技术

在互联网兴起之初，网络上的数据信息较少，人与互联网的交互也不多，因此网站一般只需要将自己的信息分类展示给用户就可以满足要求。而随着人与互联网的交互越来越多，导致信息指数式的增长，用户想获得自己需要的数据通过依次查看信息的方式过于缓慢，因此搜索引擎成为人们常用的检索信息的方式。此外，随着移动互联网，物联网的发展更加丰富了互联网的内容和形式，导致数据不断地增加，因此迎来了数据大爆炸的时代。

随着计算机处理能力的提升和互联网通信技术的发展，面对互联网上的信息数据过载，越来越多的互联网公司采用了推荐系统的方法来向用户推荐信息。推荐系统指的是，当没有明确需求的用户访问了服务的时候，并且服务的内容对用户构成了信息过载，系统不能将所有的信息一次性的给用户展示，必须通过一定的规则对内容进行排序，传统方法进行排序后的内容是通过分析之后预测用户最感兴趣的内容，并将排在前面的推荐信息展示给用户。

通常情况下，推荐系统进行推荐是通过搜集用户的个人信息，比如用户的所在地区，性别，年龄，职业等来给用户贴一些标签表明用户的性格，同时对内容的属性，如标题，类别，时间等信息进行收集。之后利用用户对内容的操作数据和历史记录，来建立模型，学习用户的兴趣偏好，并为用户提供精准的个性化推荐服务。

传统的推荐方法主要有协同过滤的推荐方法，基于内容的推荐方法、基于深度学习以及机器学习的推荐方法等。其中基于协同过滤的推荐方法依据的主要是用户的评分数据，对于用户兴趣的迁移难以预测，而基于内容的推荐方法在数据稀疏的情况下推荐的准确率不高。近年来兴起的机器学习和深度学习在数据量巨大的情况下，推荐效果比前两种方法有所提高，在数据量较小的情况下无法选出有效的推荐模型，并且仍然存在用户的冷启动问题。

目前的新闻推送平台都采用通过推荐系统来推送用户感兴趣的新闻。并且以上的这些方法所产生的推荐结果仅仅考虑推荐结果是否是用户感兴趣的，但是却没有考虑是不是都是用户所能接受的内容，而且对用户是否有益。例如：在监测到某用户对某种新闻十分感兴趣，于是每天对其进行推送相关新闻，而该用户也每次都打开推送的新闻，这也仅仅在新闻推送的方面达到了用户需求。但是，忽略了用户看完新闻之后的情绪变化以及新闻内容本身感情的积极和消极。因此，可能导致用户每天看到的都是负面新闻，从而加剧用户的消极情绪，由此影响用户的身心健康以及社会的公共安全，甚至无形之中可能造成有心之人改变网络舆论风向的工具。

如今互联网的飞速发展，许多紧急情况的新闻仍造成了部分人心中的恐慌和网络舆论风向的改变。在新闻推荐系统正暴露出以上的问题，即没有考虑用户的情感变化和推荐结果产生的影响。导致一些负面的甚至是未经证实的新闻快速的在网络上传播，在网上已经造成恐慌的结果却并没有进行防护。

基于实时性、互动式、多元化等特征的社交媒体，如微博、知乎等，已成为网络用户了解新闻的主要途径。在大环境下，社交媒体的兴起为公众对热点事件的表达和分享提供了便捷化的主题选择和内容订制途径，用户的评论数据作为用户情感信息的基础，是用户对紧急情况相关事件的认知、态度、倾向和行为的综合和反馈，用户的评论内容为综合分析用户情感变化趋势提供了文本语料。