推荐系统-Task01熟悉新闻推荐系统基本流程

简介: 创建conda虚拟环境: conda create -n news_rec_py3 python=3.8安装依赖文件: pip install -r requirements.txt

一、新闻推荐结构图


image.png


二、项目环境


【项目环境】

windows11
MySQL:8.0.25
Redis:5.0.14
Mongodb:5.0.5
Anaconda (Python):3.7
nodejs 16.13.1
Pycharm及Webstorm
python环境


创建conda虚拟环境: conda create -n news_rec_py3 python=3.8

安装依赖文件: pip install -r requirements.txt


三、项目结构介绍及导入


后端:news_rec_server

启动后端服务: python server.py


注意:1.运行server.py前要确保数据库环境安装好且建立userinfo数据库。


          2.更改server.py 232行为


app.run(debug=True, host='127.0.0.1', port=5000, threaded=True)

前端:news_rec_web

启动前端服务


跳转到前端项目文件目录:cd /fun-rec/codes/news_recsys/news_rec_web/Vue-newsinfo

npm install安装

启动前端服务:npm run dev

访问地址 http://127.0.0.1:8686/#/

7f1324437abeb10544e8e52e24a77d9c_watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAR29BbOeahOWNmuWuog==,size_10,color_FFFFFF,t_70,g_se,x_16.png

主要功能:Offline的主要功能有新闻数据爬取与处理、用户画像更新、热门列表及推荐页列表展示;Online的主要功能有获取推荐页列表、获取热门页列表、获取新闻详情页;

数据流向:Offline包括物料数据处理、用户画像更新的数据流向;Online包括生成推荐页列表、生成热门页列表的数据流向

交互请求:主要包括用户注册请求、用户登录请求、用户推荐页请求、用户热门页请求、新闻详情页请求、用户行为请求

目录
相关文章
|
20天前
|
机器学习/深度学习 搜索推荐 算法
推荐系统task01:简介概述
推荐系统task01:简介概述
25 1
|
存储 缓存 自然语言处理
推荐系统[一]:超详细知识介绍,一份完整的入门指南,解答推荐系统相关算法流程、衡量指标和应用,以及如何使用jieba分词库进行相似推荐
推荐系统[一]:超详细知识介绍,一份完整的入门指南,解答推荐系统相关算法流程、衡量指标和应用,以及如何使用jieba分词库进行相似推荐
推荐系统[一]:超详细知识介绍,一份完整的入门指南,解答推荐系统相关算法流程、衡量指标和应用,以及如何使用jieba分词库进行相似推荐
|
存储 人工智能 NoSQL
推荐系统-Task05推荐系统流程构建
Offilne部分:主要是基于离线物料系统生成的物料画像和用户画像进行处理,为每个用户生成热门页列表和推荐页列表,并将其存储到Redis中 Online部分:主要是针对不同的用户,使用不同的策略,提供热门页列表和推荐页列表的新闻数据,进行过滤排序之后,展示到前端页面上
147 0
|
存储 缓存 搜索推荐
【新闻推荐系统】(task5)推荐系统流程的构建(更新ing)
(1)推荐系统流程构建,主要包括Offline和Online两个部分(本次task主要是下面红色框框内的内容)
262 0
【新闻推荐系统】(task5)推荐系统流程的构建(更新ing)
|
机器学习/深度学习 搜索推荐 NoSQL
【新闻推荐系统】(task1)系统搭建基本流程
回顾之前学习王喆老师的《深度学习推荐系统》的sparrow recsys电影推荐系统,大家都会很着急地了解最新的推荐架构中的神经网络模型
692 0
【新闻推荐系统】(task1)系统搭建基本流程
|
存储 缓存 搜索推荐
【新闻推荐系统】(task5)推荐系统流程的构建(更新ing)
ffline部分主要是基于前面存储好的物料画像和用户画像进行离线计算, 为每个用户提供一个热门页列表和推荐页列表并进行缓存, 方便online服务的列表获取。 本次task主要是梳理这两个列表的生成以及缓存到redis的流程。
201 0
|
3月前
|
搜索推荐 前端开发 数据可视化
【优秀python web毕设案例】基于协同过滤算法的酒店推荐系统,django框架+bootstrap前端+echarts可视化,有后台有爬虫
本文介绍了一个基于Django框架、协同过滤算法、ECharts数据可视化以及Bootstrap前端技术的酒店推荐系统,该系统通过用户行为分析和推荐算法优化,提供个性化的酒店推荐和直观的数据展示,以提升用户体验。
138 1
|
5月前
|
搜索推荐 算法 小程序
基于Java协同过滤算法的电影推荐系统设计和实现(源码+LW+调试文档+讲解等)
基于Java协同过滤算法的电影推荐系统设计和实现(源码+LW+调试文档+讲解等)
|
5月前
|
搜索推荐 算法 小程序
基于Java协同过滤算法的图书推荐系统设计和实现(源码+LW+调试文档+讲解等)
基于Java协同过滤算法的图书推荐系统设计和实现(源码+LW+调试文档+讲解等)
|
3月前
|
搜索推荐 前端开发 数据可视化
基于Python协同过滤的旅游景点推荐系统,采用Django框架,MySQL数据存储,Bootstrap前端,echarts可视化实现
本文介绍了一个基于Python协同过滤算法的旅游景点推荐系统,该系统采用Django框架、MySQL数据库、Bootstrap前端和echarts数据可视化技术,旨在为用户提供个性化的旅游推荐服务,提升用户体验和旅游市场增长。
252 9
基于Python协同过滤的旅游景点推荐系统,采用Django框架,MySQL数据存储,Bootstrap前端,echarts可视化实现