本發(fā)明涉及人工智能與信息推薦，尤其涉及基于人工智能的新聞推薦系統(tǒng)及方法。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，信息獲取的方式和渠道變得更加多樣化，新聞閱讀已經(jīng)成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠帧Ｈ欢?，面對海量的新聞，用戶在獲取自己感興趣的新聞內(nèi)容時(shí)，常常面臨信息過載的問題。為了幫助用戶從海量的新聞中迅速找到符合個(gè)人興趣的內(nèi)容，新聞推薦系統(tǒng)應(yīng)運(yùn)而生。這些新聞推薦系統(tǒng)通過分析用戶的行為和偏好，為用戶提供個(gè)性化的新聞推薦，從而提升用戶對新聞閱讀的體驗(yàn)并增加用戶的粘性。

2、近年來，人工智能技術(shù)，特別是深度學(xué)習(xí)技術(shù)的進(jìn)步，為新聞推薦系統(tǒng)的智能化發(fā)展提供了新的可能性。通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，新聞推薦系統(tǒng)能夠從用戶的歷史行為中挖掘出更為復(fù)雜和隱性的興趣模式，并實(shí)時(shí)調(diào)整新聞推薦策略，提供更加精準(zhǔn)和個(gè)性化的服務(wù)。同時(shí)，隨著社交媒體和移動(dòng)互聯(lián)網(wǎng)的發(fā)展，用戶在不同平臺(tái)上的行為數(shù)據(jù)日益增多，新聞內(nèi)容的多樣性和用戶的需求也變得更加復(fù)雜，如何有效利用用戶行為數(shù)據(jù)和新聞內(nèi)容來提升新聞推薦系統(tǒng)的效果成為了研究的熱點(diǎn)。

3、此外，新聞內(nèi)容本身的時(shí)效性和熱點(diǎn)性也是新聞推薦系統(tǒng)需要重點(diǎn)考慮的因素。隨著新聞事件的不斷發(fā)展，用戶的關(guān)注點(diǎn)也在動(dòng)態(tài)變化，如何在新聞推薦過程中有效整合實(shí)時(shí)熱點(diǎn)信息，使新聞推薦內(nèi)容與當(dāng)前熱點(diǎn)保持一致，是提升新聞推薦系統(tǒng)價(jià)值的關(guān)鍵之一。

4、現(xiàn)有的新聞推薦系統(tǒng)存在如下技術(shù)問題：用戶興趣建模存在片面性，難以全面捕捉用戶的興趣；新聞內(nèi)容分析存在局限性，導(dǎo)致預(yù)測的準(zhǔn)確性不高；個(gè)性化推薦方面，精度有待提高，難以精準(zhǔn)匹配用戶偏好；模型的適應(yīng)性差，對新情況和新用戶的適應(yīng)能力較弱；新聞推薦系統(tǒng)的實(shí)時(shí)性有待提升；以及推薦結(jié)果缺乏靈活性和動(dòng)態(tài)性，難以迅速響應(yīng)和滿足用戶不斷變化的需求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供基于人工智能的新聞推薦系統(tǒng)及方法，以解決用戶興趣建模存在片面性，難以全面捕捉用戶的興趣；新聞內(nèi)容分析存在局限性，導(dǎo)致預(yù)測的準(zhǔn)確性不高；個(gè)性化推薦方面，精度有待提高，難以精準(zhǔn)匹配用戶偏好；模型的適應(yīng)性差，對新情況和新用戶的適應(yīng)能力較弱；新聞推薦系統(tǒng)的實(shí)時(shí)性有待提升；以及推薦結(jié)果缺乏靈活性和動(dòng)態(tài)性，難以迅速響應(yīng)和滿足用戶不斷變化的需求的技術(shù)問題。

2、本發(fā)明的基于人工智能的新聞推薦系統(tǒng)及方法，具體包括以下技術(shù)方案：

3、一種基于人工智能的新聞推薦方法，包括以下步驟：

4、s1、采集并預(yù)處理用戶行為數(shù)據(jù)和新聞內(nèi)容數(shù)據(jù)，得到預(yù)處理后的用戶向量序列和預(yù)處理后的新聞向量序列；基于預(yù)處理后的用戶向量序列和預(yù)處理后的新聞向量序列，通過多層次非線性自適應(yīng)注意力網(wǎng)絡(luò)，生成用戶興趣和新聞內(nèi)容的交互嵌入向量；

5、s2、基于用戶興趣和新聞內(nèi)容的交互嵌入向量，引入動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型，得到綜合表示向量；基于綜合表示向量，得到動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型的預(yù)測值；基于動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型的預(yù)測值，計(jì)算損失函數(shù)；動(dòng)態(tài)調(diào)整動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型參數(shù)，優(yōu)化動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型，直至損失函數(shù)達(dá)到最小值，得到最終動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型。

6、優(yōu)選的，所述s1，具體包括：

7、在多層次非線性自適應(yīng)注意力網(wǎng)絡(luò)中，引入多層次的注意力機(jī)制和自適應(yīng)權(quán)重調(diào)整。

8、優(yōu)選的，所述s1，具體包括：

9、將預(yù)處理后的用戶向量序列和預(yù)處理后的新聞向量序列作為多層次非線性自適應(yīng)注意力網(wǎng)絡(luò)的輸入，在每一層非線性自適應(yīng)注意力網(wǎng)絡(luò)中計(jì)算用戶向量和新聞向量之間的相似度，并得到用戶向量和新聞向量之間的注意力權(quán)重。

10、優(yōu)選的，所述s1，具體包括：

11、基于用戶向量和新聞向量之間的注意力權(quán)重和多層次非線性自適應(yīng)注意力網(wǎng)絡(luò)當(dāng)前層的隱藏狀態(tài)向量，得到多層次非線性自適應(yīng)注意力網(wǎng)絡(luò)下一層的隱藏狀態(tài)向量。

12、優(yōu)選的，所述s1，具體包括：

13、通過對多層次非線性自適應(yīng)注意力網(wǎng)絡(luò)中各層的隱藏狀態(tài)向量進(jìn)行加權(quán)組合，生成用戶興趣和新聞內(nèi)容的交互嵌入向量。

14、優(yōu)選的，所述s2，具體包括：

15、在動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型的實(shí)現(xiàn)過程中，通過雙向信息流動(dòng)和動(dòng)態(tài)路徑調(diào)整，基于用戶興趣和新聞內(nèi)容的交互嵌入向量，生成正向和反向嵌入向量；基于正向和反向嵌入向量，得到綜合表示向量。

16、優(yōu)選的，所述s2，具體包括：

17、基于動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型的預(yù)測值，定義損失函數(shù)；損失函數(shù)的計(jì)算公式為：

18、，

19、其中，表示損失函數(shù)；表示動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)生成的第個(gè)樣本的實(shí)際標(biāo)簽；表示動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型對第個(gè)樣本的預(yù)測值；表示樣本的總數(shù)；是正則化系數(shù)，用于控制正則化項(xiàng)的權(quán)重；表示正則化；表示第層非線性自適應(yīng)注意力網(wǎng)絡(luò)的權(quán)重矩陣；表示非線性自適應(yīng)注意力網(wǎng)絡(luò)的層次總數(shù)。

20、一種基于人工智能的新聞推薦系統(tǒng)，包括以下部分：

21、數(shù)據(jù)采集模塊，實(shí)時(shí)采集用戶行為數(shù)據(jù)和新聞內(nèi)容數(shù)據(jù)，將用戶行為數(shù)據(jù)和新聞內(nèi)容數(shù)據(jù)傳遞至數(shù)據(jù)預(yù)處理模塊；

22、數(shù)據(jù)預(yù)處理模塊，對用戶行為數(shù)據(jù)和新聞內(nèi)容數(shù)據(jù)分別進(jìn)行預(yù)處理，形成預(yù)處理后的用戶向量序列和預(yù)處理后的新聞向量序列；將預(yù)處理后的用戶向量序列和預(yù)處理后的新聞向量序列傳遞至自適應(yīng)注意力模塊；

23、自適應(yīng)注意力模塊，基于預(yù)處理后的用戶向量序列和預(yù)處理后的新聞向量序列，引入多層次非線性自適應(yīng)注意力網(wǎng)絡(luò)，計(jì)算每一層非線性自適應(yīng)注意力網(wǎng)絡(luò)中用戶向量和新聞向量之間的相似度，從而得到用戶向量和新聞向量之間的注意力權(quán)重；動(dòng)態(tài)調(diào)整用戶向量和新聞向量之間的注意力權(quán)重，并計(jì)算多層次非線性自適應(yīng)注意力網(wǎng)絡(luò)各層的隱藏狀態(tài)向量；對多層次非線性自適應(yīng)注意力網(wǎng)絡(luò)的各層的隱藏狀態(tài)向量進(jìn)行加權(quán)組合，生成用戶興趣和新聞內(nèi)容的交互嵌入向量；將用戶興趣和新聞內(nèi)容的交互嵌入向量傳遞至動(dòng)態(tài)雙向傳播模塊；

24、動(dòng)態(tài)雙向傳播模塊，基于用戶興趣和新聞內(nèi)容的交互嵌入向量，通過動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型，生成正向和反向交互嵌入向量；基于正向和反向交互嵌入向量，生成綜合表示向量；將綜合表示向量傳遞至預(yù)測與損失計(jì)算模塊；

25、預(yù)測與損失計(jì)算模塊，基于綜合表示向量，得到動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型的預(yù)測值，并使用損失函數(shù)計(jì)算預(yù)測誤差，將損失函數(shù)傳遞至模型優(yōu)化與迭代模塊；

26、模型優(yōu)化與迭代模塊，調(diào)整動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型的參數(shù)，優(yōu)化動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型，直至損失函數(shù)達(dá)到最小值，得到最終動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型。

27、本發(fā)明的技術(shù)方案的有益效果是：

28、1、多層次非線性自適應(yīng)注意力網(wǎng)絡(luò)通過多層次的注意力機(jī)制和自適應(yīng)權(quán)重調(diào)整，有效捕捉用戶興趣和新聞內(nèi)容之間的復(fù)雜交互關(guān)系，生成用戶興趣和新聞內(nèi)容的交互嵌入向量；通過融合多層次的交互嵌入向量，形成高度抽象的用戶興趣表示，能夠更準(zhǔn)確地反映用戶對不同新聞內(nèi)容的興趣傾向，從而提升個(gè)性化新聞推薦的精度。

29、2、動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型不僅實(shí)現(xiàn)了用戶興趣與新聞內(nèi)容的雙向交互建模，還通過雙向信息流動(dòng)和動(dòng)態(tài)路徑調(diào)整，實(shí)現(xiàn)了用戶興趣與新聞內(nèi)容的深度融合，從而確保新聞推薦結(jié)果的準(zhǔn)確性和個(gè)性化；通過高維度的綜合表示向量，動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型能夠動(dòng)態(tài)反映用戶興趣的變化，并針對新聞內(nèi)容進(jìn)行實(shí)時(shí)調(diào)整，從而增強(qiáng)動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型的自適應(yīng)能力。

30、3、通過反向傳播算法和梯度下降等優(yōu)化算法，新聞推薦系統(tǒng)能夠不斷調(diào)整和優(yōu)化動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型的參數(shù)，使損失函數(shù)達(dá)到最小值，使得動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型的預(yù)測值更加接近實(shí)際情況；交叉熵?fù)p失函數(shù)和正則化項(xiàng)的結(jié)合，不僅有效減少了預(yù)測誤差，還避免了動(dòng)態(tài)雙向傳播網(wǎng)絡(luò)模型的過擬合，保證了新聞推薦系統(tǒng)的泛化能力和穩(wěn)定性。