移动电子商务环境下基于内容的推荐算法及应用

移动电子商务环境下基于内容的推荐算法及应用(论文14000字,程序代码)
摘要：移动互联时代的到来，让用户养成了新的获取信息的习惯和方式。但同时因特网的发展带来的还有大量的信息数据，业界为了解决海量数据带来的弊端，相应的算法从早期的分类到现在的个性化推荐算法也在不断更新。本文首先对推荐算法的理论知识做了简单介绍，其次详述了基于内容推荐算法的新闻推荐APP的架构，整体架构采用java搭建，推荐算法模块通过Python爬取数据并提取新闻关键词并通过余弦相似度算法进行用户兴趣匹配，记录的数据存储在后台服务器中。最终该系统实现依据用户浏览记录进行个性化推荐的功能。
关键词：基于内容的推荐算法；新闻推荐；推荐系统

Content-based Recommendation Algorithm and its Application in Mobile E-commerce Environment
Abstract：The advent of the mobile Internet era has allowed users to develop new habits and ways to access information. At the same time, the development of the Internet has brought a large amount of information data. In order to solve the shortcomings caused by massive data, the corresponding algorithms from the early classification to the current personalized recommendation algorithms are also constantly updated. This paper first introduces the theoretical knowledge of recommendation algorithm, and then details the architecture of news recommendation system based on content recommendation algorithm. The overall architecture adopts java construction. The recommended algorithm module crawls data through Python and extracts news keywords and passes cosine. The similarity algorithm performs user interest matching, and the recorded data is stored in the background server. Eventually the system implements personalized recommendations based on user browsing records.
Key words：Content-based recommendation algorithm；News recommendation；Recommendation system
 

目 录
1 绪论    1
1.1论文研究背景和意义    1
1.2 国内外研究现状    1
1.3论文内容和架构    2
2 相关理论和关键技术    2
2.1推荐系统概述    2
2.2几种常见的推荐算法    2
2.2.1 基于协同过滤的推荐算法    2
2.2.2 基于内容的推荐算法    3
2.2.2.1 Item Representation    4
2.2.2.2 Profile Learning    5
2.2.2.3 Recommendation Generation    5
2.2.2.4 基于内容推荐算法的优缺点    5
3 新闻内容推荐系统的研究与开发    6
3.1系统需求分析    6
3.1.1 Andriod客户端需求    6
3.1.2 推荐系统需求    6
3.1.3 后台管理系统    7
3.2系统总体设计    7
3.2.1 架构设计    7
3.2.2 功能模块设计    8
3.2.3 数据库设计    9
4 系统关键算法的逻辑设计    11
4.1 新闻建模    11
4.1.1 数据抓取    11
4.1.2 文本预处理    11
4.1.3 关键词提取    11
4.1.4 新闻质量计算    12
4.2 用户兴趣    12
4.2.1 用户兴趣模型表示    12
4.2.2 用户兴趣模型更新    13
4.3 相似度计算    13
4.4  TopN排序    14
5 系统实现与页面展示    14
5.1 数据爬取    14
5.2 数据库搭建    15
5.3 推荐算法    16
5.4 Andriod界面    18
5.4.1 代码实施    18
5.4.2 界面展示    20
5.5 服务器端    23
6 总结与展望    24
参考文献    25
致谢    27