一种提案主题的推荐方法、装置、计算机设备和存储介质制造方法及图纸

本申请属于计算机领域，涉及一种提案主题的推荐方法，包括：获取新闻数据以及用户的历史行为数据；新闻数据包括新闻词；历史行为数据包括文档；根据新闻数据，结合贝叶斯变换，得到每个新闻词的热度值；根据用户的历史行为数据，计算提案用户和其他用户之间的新闻阅读相似度和新闻内容相似度，得到最终相似度，计算用户对每个文档的兴趣度，得到感兴趣文档；对感兴趣文档进行分词，得到文档词，计算每个文档词的TF

【技术实现步骤摘要】
一种提案主题的推荐方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机
，特别是涉及一种提案主题的推荐方法、装置、计算机设备和存储介质。

技术介绍

[0002]提案是与会单位、团体和参会人员，向会议提出的书面意见和建议。
[0003]现有技术中，参会人员在提交提案时，因为没有合适的资料和数据参考，往往依靠主观命题。
[0004]然而，主观命题反映不了真正的需求和热点；提交的提案缺乏相关数据的支撑，所以质量不高。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种提案主题的推荐方法、装置、计算机设备和存储介质，能够推荐提案主题，提高提案质量。
[0006]一种提案主题的推荐方法，包括：获取新闻数据以及用户的历史行为数据；所述新闻数据包括若干新闻词；所述历史行为数据包括若干文档；根据所述新闻数据，结合贝叶斯变换，得到每个新闻词的热度值；根据所述用户的历史行为数据，计算提案用户和其他用户之间的新闻阅读相似度和新闻内容相似度，得到最终相似度，并根据最终相似度计算用户对每个文档的兴趣度，得到感兴趣文档；对所述感兴趣文档进行分词，得到若干文档词，并计算每个文档词的TF
‑
IDF值；根据新闻词和文档词，得到词条集合；根据每个新闻词的热度值和每个文档词的TF
‑
IDF值，得到词条集合中每个词条的推荐值；根据所述推荐值，得到推荐词，完成提案主题的推荐。
[0007]在一个实施例中，还包括：获取历史提案数据；所述历史提案数据包括若干提案文档；对所述提案文档进行分词，得到若干提案词，并计算每个提案词的TF
‑
IDF值；根据新闻词、文档词和提案词，得到词条集合；根据每个新闻词的热度值、每个文档词的TF
‑
IDF值和每个提案词的TF
‑
IDF值，得到词条集合中每个词条的推荐值。
[0008]在一个实施例中，根据所述新闻数据，结合贝叶斯变换，得到每个新闻词的热度值包括：根据某一天的词频与总统计天数的词频，计算新闻词在某一天的初始热度值：其中，表示新闻词在第i天的初始热度值；表示新闻词在第天的出现频数；表示新闻词在H天的出现频数；表示某个新闻词；表示第i个统
计日；H为总的统计天数；利用贝叶斯变换对初始热度值进行修正，得到新闻词在某一天的修正热度值：利用贝叶斯变换对初始热度值进行修正，得到新闻词在某一天的修正热度值：利用贝叶斯变换对初始热度值进行修正，得到新闻词在某一天的修正热度值：其中，表示新闻词在第i天的修正热度值，C为平均词频，j为第j个新闻词，I为新闻词总数，m是一个先验的平均分；根据新闻词在某一天的修正热度值，得到新闻词的最终的热度值：其中，表示新闻词的最终的热度值。
[0009]在一个实施例中，根据所述用户的历史行为数据，计算提案用户和其他用户之间的新闻阅读相似度和新闻内容相似度，得到最终相似度，并根据最终相似度计算用户对每个文档的兴趣度，得到感兴趣文档包括：计算提案用户u和其他用户q的新闻阅读相似度：式中，sim1表示提案用户u和其他用户q的新闻阅读相似度；s为此数据集包含的文档总数，表示用户u对第i条文档的点击次数，表示用户q对第i条文档的点击次数；计算提案用户u和其他用户q的新闻内容相似度：式中，表示用户u和用户q均浏览过的文档数量，和分别表示用户u和用户q产生过历史行为的文档数量；根据新闻阅读相似度和新闻内容相似度，得到提案用户u和其他用户q的最终相似度：其中，为权重因子；取最终相似度最大的前M名用户为用户u的M名近邻用户集合，分别计算提案用户u与此M名用户点击过的文档之间的兴趣度，提案用户u对文档j的兴趣度：
其中，为提案用户u的M名近邻用户集合，为用户u和用户q的最终相似度，表示用户q对第j条文档的点击次数，表示文档j的流行度；根据所述兴趣度，得到用户的感兴趣文档。
[0010]在一个实施例中，对所述感兴趣文档进行分词，得到若干文档词，并计算每个文档词的TF
‑
IDF值，对所述提案文档进行分词，得到若干提案词，并计算每个提案词的TF
‑
IDF值包括：计算文档词或提案词的初始TF值：式中，是感兴趣文档或提案文档的总词数，表示文档词或提案词d的总次数；引入词频控制模型对初始TF值进行优化：其中，表示词频控制系数，为引入的样本总数，表示样本平均文档长度，表示文档词或提案词的TF值；计算文档词或提案词的IDF值：计算文档词或提案词的IDF值：其中，idf
d
表示文档词或提案词的IDF值，为包含文档词的感兴趣文档的数量或包含提案词的提案文档的数量，，表示文档词与感兴趣文档的相关性或提案词与提案文档的相关性；和是调节因子；根据文档词或提案词的TF值以及文档词或提案词的IDF值，计算文档词或提案词d的TF
‑
IDF值：式中，ididf
d
表示文档词或提案词的TF
‑
IDF值。
[0011]在一个实施例中，根据新闻词、文档词和提案词，得到词条集合；根据每个新闻词的热度值、每个文档词的TF
‑
IDF值和每个提案词的TF
‑
IDF值，得到词条集合中每个词条的推荐值包括：新闻词、文档词和提案词均为词条，共同构成词条集合；根据每个新闻词的热度值、每个文档词的TF
‑
IDF值和每个提案词的TF
‑
IDF值，得到词条集合中每个词条的推荐值：到词条集合中每个词条的推荐值：到词条集合中每个词条的推荐值：
式中，表示词条的推荐值，表示新闻词的热度值的归一化处理结果，表示文档词的TF
‑
IDF值的归一化处理结果，表示提案词的TF
‑
IDF值的归一化处理结果，表示新闻词d的热度值，表示集合A中所有新闻词的热度值之和，表示文档词d的TF
‑
IDF值，表示集合B中所有文档词的TF
‑
IDF值之和，表示提案词d的TF
‑
IDF值，表示集合C中所有提案词的TF
‑
IDF值之和。
[0012]在一个实施例中，所述新闻词是对新闻数据进行分词、去停用词和未登录词处理之后得到的。
[0013]一种提案主题的推荐装置，包括：获取模块，用于获取新闻数据以及用户的历史行为数据；所述新闻数据包括若干新闻词；所述历史行为数据包括若干文档；热度模块，用于根据所述新闻数据，结合贝叶斯变换，得到每个新闻词的热度值；词频模块，用于根据所述用户的历史行为数据，计算提案用户和其他用户之间的新闻阅读相似度和新闻内容相似度，得到最终相似度，并根据最终相似度计算用户对每个文档的兴趣度，得到感兴趣文档；对所述感兴趣文档进行分词，得到若干文档词，并计算每个文档词的TF
‑
IDF值；推荐模块，用于根据新闻词和文档词，得到词条集合；根据每个新闻词的热度值和每个文档词的TF
‑
IDF值，得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提案主题的推荐方法，其特征在于，包括：获取新闻数据以及用户的历史行为数据；所述新闻数据包括若干新闻词；所述历史行为数据包括若干文档；根据所述新闻数据，结合贝叶斯变换，得到每个新闻词的热度值；根据所述用户的历史行为数据，计算提案用户和其他用户之间的新闻阅读相似度和新闻内容相似度，得到最终相似度，并根据最终相似度计算用户对每个文档的兴趣度，得到感兴趣文档；对所述感兴趣文档进行分词，得到若干文档词，并计算每个文档词的TF
‑
IDF值；根据新闻词和文档词，得到词条集合；根据每个新闻词的热度值和每个文档词的TF
‑
IDF值，得到词条集合中每个词条的推荐值；根据所述推荐值，得到推荐词，完成提案主题的推荐。2.根据权利要求1所述的方法，其特征在于，还包括：获取历史提案数据；所述历史提案数据包括若干提案文档；对所述提案文档进行分词，得到若干提案词，并计算每个提案词的TF
‑
IDF值；根据新闻词、文档词和提案词，得到词条集合；根据每个新闻词的热度值、每个文档词的TF
‑
IDF值和每个提案词的TF
‑
IDF值，得到词条集合中每个词条的推荐值。3.根据权利要求2所述的方法，其特征在于，根据所述新闻数据，结合贝叶斯变换，得到每个新闻词的热度值包括：根据某一天的词频与总统计天数的词频，计算新闻词在某一天的初始热度值：其中，表示新闻词在第i天的初始热度值；表示新闻词在第i天的出现频数；表示新闻词在H天的出现频数；表示某个新闻词；表示第i个统计日；H为总的统计天数；利用贝叶斯变换对初始热度值进行修正，得到新闻词在某一天的修正热度值：利用贝叶斯变换对初始热度值进行修正，得到新闻词在某一天的修正热度值：利用贝叶斯变换对初始热度值进行修正，得到新闻词在某一天的修正热度值：其中，表示新闻词在第i天的修正热度值，C为平均词频，j为第j个新闻词，I为新闻词总数，m是一个先验的平均分；根据新闻词在某一天的修正热度值，得到新闻词的最终的热度值：其中，表示新闻词的最终的热度值。4.根据权利要求3所述的方法，其特征在于，根据所述用户的历史行为数据，计算提案
用户和其他用户之间的新闻阅读相似度和新闻内容相似度，得到最终相似度，并根据最终相似度计算用户对每个文档的兴趣度，得到感兴趣文档包括：计算提案用户u和其他用户q的新闻阅读相似度：式中，sim1表示提案用户u和其他用户q的新闻阅读相似度；s为此数据集包含的文档总数，表示用户u对第i条文档的点击次数，表示用户q对第i条文档的点击次数；计算提案用户u和其他用户q的新闻内容相似度：式中，表示用户u和用户q均浏览过的文档数量，和分别表示用户u和用户q产生过历史行为的文档数量；根据新闻阅读相似度和新闻内容相似度，得到提案用户u和其他用户q的最终相似度：其中，为权重因子；取最终相似度最大的前M名用户为用户u的M名近邻用户集合，分别计算提案用户u与此M名用户点击过的文档之间的兴趣度，提案用户u对文档j的兴趣度：其中，为提案用户u的M名近邻用户集合，为用户u和用户q的最终相似度，表示用户q对第j条文档的点击次数，表示文档j的流行度；根据所述兴趣度，得到用户的感兴趣文档。5.根据权利要求2至4任一项所述的方法，其特征在于，对所述感兴趣文档进行分词，得到若干文档词，并计算每个文档词的TF
‑
IDF值，对所述提案文档进行分词，得到若干提案词，并计算每个提案词的TF
...

【专利技术属性】
技术研发人员：刘跃华，王新，
申请(专利权)人：湖南正宇软件技术开发有限公司，
类型：发明
国别省市：