微平台推荐系统介绍（基于java）

1、推荐系统整体框架

 

2、推荐系统所用算法及所需数据

　　基于协同过滤的推荐

　　基于内容的推荐　

　　基于内容推荐的原理：

　　01、如何定义内容相似度，新闻作为文本类的数据，本身可以从文本特征几个方面去提取它的特征信息，进而将不同的新闻间的特征信息进行比较

　　常见的特征信息有：新闻文本长度、新闻所属话题类型（社会、健康、国家政策）、来源（今日头条，知乎）、关键词（美国大选、希拉里）

　　关键词具有比较强的新闻核心内容表征能力

　　02、如何提取新闻关键词

　　TF-IDF算法

　　03、用户偏好构建

　　（1）数据库中为每个用户维持一个关键词列表，这个关键词列表是针对每个微平台模块这一层面的，即每个模块享有一个大小相同，但内容独立的关键词列表

　　如：用小明的关键词列表：“知乎精选”：{金融、计算机科学与技术、....} “36克”：{人工智能、VR}

　　（2）用户浏览了某个模块的某个新闻news 利用tf-idf算法提取出news的k个关键词即对应的TF-idf值（关键程度），并将他们存入用户相应模块的关键词列表中

　　　　如用户小明看了“知乎精选”里的一个新闻《》，通过tf-idf抽取出该新闻的三个关键词，刘慈欣：100.23，三体：70.21，民主政治：96.02，于是在小明的“知乎精选”关键词列表中，插入

　　　　{....刘慈欣：100.23，三体：70.31，民主政治：96.02}

　　　　若小明之前的“知乎精选”列表中已经有了“三体”关键词及对应的tf-idf值，将tf-idf进行叠加，表示用以加强用户对该关键词的感性去程度

　　　可能导致的用户的喜好，推荐结果收敛到用户以前特别喜欢的几个关键词上-----解决方法，每一次更新列表设置一个衰减系数lamada 定期对用户的喜好关键词的tf-idf值进行更新，减少关键词的收敛倾向

　　如：“知乎精选”关键词列表：{刘慈欣：100，三体：80} 今天更新为：{刘慈欣：80，三体：64}

　　（3）新闻内容与用户喜好拟合度计算

　　　　有了用户的喜好关键词列表。以及新闻的关键词列表了只需要再做两个map匹配与值得计算即可，若有相同的值，则值想乘排序，若没有，则乘机为0

　　基于热点新闻的推荐

　　基于模型的推荐

　　基于静态数据的推荐　　

3、推荐系统所需微平台配合

　　

4、推荐系统使用方法