基于内容的文本聚类，将文本内容相近的新闻合并成一个类别，实现对同类内容的新闻推荐，以及测试情况下提升对同类内容的准略率。
物品之间的相似度是通过用户的行为计算物品之间的相似度，不是通过物品内容的关系计算相似度。（内容之间的相似度通过新闻的聚类已经完成）物品之间的相似度实现了物品之间的潜在关联信息。
这里相似度计算方法使用 物品i与j的相似度 = 同时喜欢物品i和物品j的用户数 / （喜欢物品i的用户数 * 喜欢物品j的用户数）
得到物品之间的相似度之后，可以进行归一化，实验表明归一化过程可以增加推荐系统的准确性。归一化操作：$w^*{ij} = w{ij}/max_j(w_{ij})$
得到物品之间的相似度之后，推荐算法希望找到与物品i最相似的k个物品进行推荐，但是同样需要关注用户对某件物品的喜好程度。使用$w_{ij}$表示物品i和j之间的相似度，用$r_{ui}$表示用户u对物品i的喜欢程度，因此可以使用公式$p_{uj} = w_{ij}*r_{ui}$来表示用户u对物品j的喜好程度。
基于物品的协同过滤算法可以实现推荐理由，基于用户历史上对该物品的喜好程度对用户进行推荐。
基于商品的协同过滤算法：
基于商品的改进协同过滤算法：
未改进的算法中，计算物品之间的相似度矩阵使用了物品i与物品j之间的公共用户数目进行计算，该公共用户数目越大表明两件商品越接近。改进算法中惩罚了活跃用户对两件商品相似度的影响。即有一部分用户什么商品都买，因此他们对商品i.j相似度的贡献应该小于一个不活跃用户在某一时刻对两将商品i，j同时产生行为的贡献度。从实验结果可以看出，这一点大幅提升了物品之间的协同过滤效果。
用户之间的相似度通过用户u喜欢的物品清单ulist，与用户v喜欢的物品清单vlist的交集 ulist&&vlist \（用户u的喜好物品清单数 * 用户v喜好物品清单数） 当然这里有相同的一件商品分子相当于做了加一操作，可以改进的一点是：降低每一件相同物品所带来的权重变化，例如取对数，如果存在一件相同商品，分子进行加$1/log(1+N(i))$，这里N(I)表示喜欢商品i的总用户数量，惩罚了对于大众都喜欢的商品对两用之间的相似度的影响。
得到用户之间的相似度之后，推荐算法希望对用户u推荐与他兴趣相似度最高的几个用户所喜欢的物品，这里同样需要考虑用户对该物品的喜好程度，因此同物品间的协同过滤相似，使用$w_{uv}$表示用户u和v之间的相似度，用$r_{vi}$表示用户u对物品i的喜欢程度，因此可以使用公式$p_{uj} = w_{uv}*r_{vi}$来表示用户u对物品 i 的喜好程度。
基于用户的协同过滤算法：
基于用户的改进协同过滤算法：
通过对物品按照兴趣特点进行分类，对用户按照兴趣特点进行分类，然后从相应的兴趣特点分类中选取可能喜欢的商品推荐给用户。
隐语义模型的分类来自于对用户行为的统计，代表了用户对物品分类的看法。因于一模型LFM算法通过如下公式进行计算： $$ Preference(u,i) = r_{ui} =p_u^Tq_i=\sum_{k=1}^Kp_{u,k}q_{i,k} $$ 其中，$p_{u,k}$度量了用户u与隐类k的关系，$q_{i,k}$度量了k个隐类与物品i之间的关系。分类个数k是可以随精度进行调节的。在使用隐语义模型过程中，有几点前人比赛过程中的经验可以借鉴，减少调参数次数。1.对每个用户，需要保证正负样本数目的平衡。2.对于每个用户的负样本采样，需要选取那些热门商品但是该用户却没有用户行为的商品，本次实验中，认为新闻就是一个一个的商品。
经过正负样本的采样，得到一个用户-物品集和：${(u,i)}$如果$(u,i)$是正样本，则有$r_{u,i}=1$,否则有$r_{u,i}=0$,通过优化下式的损失函数来找到最优的参数p，q。 $$ C = \sum_{(u,i)}(r_{ui}-\hat{r_{ui}})^2=sum_{(u,i)}[r_{ui}-\sum_{k=1}^Kp_{u,k}q_{i,k}]^2+\lambda||p_u||^2+\lambda||q_i||^2 $$ 上式中后两项为正则化项，防止发生过拟合现象，K表示隐类数目，参数可调。$p_{u,k}$和$q_{i,k}$表示用户u与k个隐类的相似度，和商品i与k个隐类的相似度，求和得到在k个隐类的条件下，u与i的关联即表示u对i的喜欢程度，通过对样本采样得到$r_{ui}$可以得到真实情况下用户u对i的喜欢程度，两项做差得到错误率，将错误率最小化得到我们需要的模型参数P,Q。
基于隐语义模型的分类：
正负样本均采样10：
正负样本均采样20：
正负样本均采样30：
正负样本均采样50：
正在跑
正负样本均采样100：
正在跑
1.由于新闻推荐中新闻 时效性 非常强，必须完成关于新闻时间衰减对用户兴趣的影响，需要根据用户浏览的时间对用户进行推荐。
基于物品之间的协同过滤，考虑时间惩罚因素：
基于用户的协同过滤改进算法，考虑时间因素：
基于用户的协同过滤算法, 考虑时间因素:
2.由于用户新闻的浏览中，新闻事件是一个待推荐的商品，而相似的商品肯恩那个对应不同的新闻，因此需要对商品进行聚类，即根据商品内容将商品进行聚类。完成一定程度上基于内容的推荐。
新闻样本聚类采用了提取新闻标题关键词，通过设定Jaccard系数阈值，对内容相关新闻进行聚类，实验中，新闻聚类对效果提升影响有限。部分新闻聚类结果如下：
选取一行验证新闻聚类效果：
数据和照片无法上传！！！