新闻推荐：谷歌新闻、搜狐新闻、今日头条调研分析

本文从谷歌新闻、搜狐新闻、今日头条的推荐系统，分析新闻资讯行业，推荐系统采用的主要策略。

1、谷歌新闻

Rec(article) =IF(article) ×CF(article)

IF（article）内容过滤

GoogleNews把新闻文章分类到预先定义好的话题类别中，包括国际、体育、娱乐等。

在日志分析中，根据用户的搜索和点击行为，构建贝叶斯框架，预测用户新闻事件兴趣。

CF（article）协同过滤

把用户聚类，让与这个用户有着同样兴趣的其他用户帮助完成个性化推荐的过程。

2、搜狐新闻

特色：构建了丰富的内容分类树形体系，可以反复优化，运营干预色彩重。

内容分类：标签词、主题、子频道、频道、话题、热点、地域、来源等

用户：用户分群、建立用户画像、与内容分类对应。

新闻入库：内容同步、抽取（基于正文内容特征；基于标题、摘要的关键词）。

推荐：计算新闻关键词与标签词、主题、子频道、频道的距离。

修正：根据转化率等指标、反复修正用户画像和内容分类。

3、今日头条

特色：丰富的推荐逻辑

基于相似文章主题相似性的推荐：通过获取与用户阅读过文章的相似文章来进行推荐。

基于相同城市的新闻：对于拥有相同地理信息的用户，会推荐与之相匹配的城市的热门文章。

基于文章关键词的推荐：对于每篇文章，提取关键词，作为描述文章内容的一种特征。然后与用户动作历史的文

        章关键词进行匹配推荐。

基于站内热门文章的普适性推荐：根据站内用户阅读习惯，找出热门文章，对所有没有阅读过该文章的用户进行  

         推荐。

基于社交好友关系的阅读习惯推荐：根据用户的站外好友，获取站外好友转发评论或发表过的文章进行推荐。

基于用户长期兴趣关键词的推荐：通过比较用户短期和长期的阅读兴趣主题和关键词进行推荐。

基于相似用户阅读习惯的列表推荐：计算一定时期内的用户动作相似性，进行阅读内容的交叉性推荐。

基于站点分布来源的内容推荐：通过用户阅读的文章来源分布为用户计算出20个用户喜欢的新闻来源进行推荐。