理工酷

基于协同过滤算法的个性化推荐系统

一、研究目的

基于协同过滤算法的个性化新闻推荐系统能够根据对用户在网站内的操作记录的分析，为用户推荐可能喜欢的新闻内容。另外，该系统还实现了新闻的新增、改、查、删操作，以及新闻的评论和回复、新闻评论管理等。

二、研究方法

首先，进行新闻内容采集，利用新闻爬虫，抓取新闻之后进行自动提取新闻的关键字，供新闻推荐使用。

其次，用户画像模型的训练，根据用户的操作历史分析出一个可以预测用户偏好的兴趣模型，即形成系统自定的表示该用户近期的兴趣指标的数据集。

最后，进行新闻推荐，根据用户画像模型分析得到一个关联内容的权重排序的集合结果，根据该集合给用户推荐相同关联内容相同的新闻。

三、研究结论

系统基本实现了按个性化推荐新闻的功能，其中的发布者中心模块、后台管理模块、前台模块的所有所有功能性正常，暂无验证缺陷，系统功能可以正常运行，包括新闻管理、评论管理、点赞、新闻推荐等所有功能。

四、目录

1 绪论   1.1 前言   1.2 主要研究内容 2 需求分析   2.1 需求概述   2.2 需求功能点概述   2.3 总体用例图   2.4 用例与参与者关系列表   2.5 数据库需求概述 3 软件概要设计   3.1 软件模块结构   3.2 软件模块介绍     3.2.1 系统前台模块     3.2.2 系统后台模块   3.3 数据结构     3.3.1 数据字典     3.3.2 数据模型 4 系统详细设计   4.1 新闻数据采集功能详细设计     4.1.1 新闻采集理论基础     4.1.2 新闻采集设计思路     4.1.3 新闻采集实现方法     4.1.4 新闻采集核心代码   4.2 相似用户推荐机制详细设计     4.2.1 相似用户推荐机制理论基础     4.2.2 相似用户推荐机制设计思路     4.2.3 相似用户推荐机制实现方法     4.2.4 相似用户推荐机制核心代码   4.3 协同过滤推荐新闻机制详细设计     4.3.1 协同过滤推荐新闻机制理论基础     4.3.2 协同过滤推荐新闻机制设计思路     4.3.3 协同过滤推荐新闻机制的实现方法     4.3.4 协同过滤推荐新闻机制核心代码 5 软件测试   5.1 测试方法及工具   5.2 测试类型     5.2.1 功能性测试     5.2.2 易用性测试   5.3 测试用例   5.4 测试执行     5.4.1 前台模块     5.4.2 后台模块   5.5 测试结果统计     5.5.1 BUG 类型统计     5.5.2 BUG 严重程度统计     5.5.3 缺陷倾向及主要原因   5.6 测试结论     5.6.1 功能性     5.6.2 易用性 6 开发环境和软件运行结果   6.1 软件环境   6.2 运行环境   6.3 软件部分运行结果   6.4 存在的问题和不足 总结 致谢 参考文献

来源https://github.com/windowxiaoming/recommend-1