5.5.3　为用户做个性化推荐

为了对推荐候选集进行排序以获得最终的推荐结果，该推荐算法计算出两个统计量：一个是IF(article)，称为信息过滤得分，另外一个是CF(article)，即协同过滤得分（利用协同过滤算法预测的用户对新闻的得分，可以利用本章参考文献[3]中的方法得到）。其中IF(article)的计算过程是这样的，先获得该文章的类别c_i，再基于式（5-5）得到用户对类别c_i的偏好概率，并以该值作为IF(article)的值。我们将这两个得分相乘，最终利用如下的公式来计算用户对某个新闻的兴趣得分。

Rec(article)=IF(article)×CF(article)

最终基于上述公式计算出该用户对所有新闻的得分，取得分最高的topN作为最终的推荐结果。经过Google News上的验证，该方法相比单独采用协同过滤有更好的预测效果。

该方法利用用户过去及用户所在地区的点击行为来预测用户当前对新闻的偏好概率，再与协同过滤结合进行最终的推荐。预测用户兴趣偏好概率的过程只用到了用户及用户所在地域全体用户对新闻的点击数据，因此也是一种协同过滤方法。关于实现方案的细节，可以阅读本章参考文献[2]以进一步了解。