目录

摘 要. I

Abstract.. II

目录. III

图清单.. IV

表清单.. IV

变量注释表IV

1 引言. 1

2协同过滤推荐系统（Collaborative Filtering Recommendation）2

2.1收集用户偏好.. 3

2.2找到相似的用户或物品.3

2.3获得推荐..4

3 实例分析..5

3.1数据介绍..5

3.2 具体分析.7

4推荐系统构架. 10

4.1系统构架10

4.2系统展望11

5总结 11

参考文献.12

致谢.13
1 引言从2006 年twitter 的建立，到2007 年饭否网（第一个具有微博色彩的软件）的推行，微博开始了轰轰烈烈的发展.越来越多的人开始使用微博.关注功能的使用带来的是一场微博人气的大战，名人开始使用微博聚揽人气，草根也怀有成为名人的梦想，网红群体的出现刺激大量籍籍无名的群众，从默默无闻到一夜成名往往就在不经意之间.微博用户可以通过客户端发布在140 字（包括标点符号）的文字信息，并实现即时分享.随着时间的发展，140 字的限制也已取消.可以传播的信息量也就越大.微博的关注功能使得用户可以获得他人的微博信息，因此如何从这庞大的信息中获取用户希望看到的信息具有重要意义.推荐系统使软件的实用性大大提高，它使得用户自动获取有用的信息，极大地减少了搜索时间[1].在 Google 之前的众多搜索引擎之所以输给Google,正是由于Google的搜索结果是利用上百万个Web站点上链接的相关性进行排序的，因此 Google 的搜索结果远优于其他搜索引擎，极大满足了用户需求.之后搜索引擎的开发大都注重了推荐系统的研发.更为突出的是，现在流行的 app基本也都含有推荐这个功能，如淘宝，京东，亚马逊等等.而 python 软件以其简单的语法，强大的功能征服了很多人，它不仅含有很多功能的模块以供使用，更可以融合其他语言，使其他语言在平台上运行.但是因为相关书籍大都是英文，中文译本较少，所以 python 在国内可找到的资料并不是很多，应用也并不是很广泛，但不能否认的是它的确是一款实用且强大的计算机编程软件.互联网发展至今已达到了令人惊讶的地步， 不论是年轻人还是老年人都不可避免的在接触网络信息.网络给人们带来便利的同时，也使人们时刻处在信息的包围中，但是当用户无法直接从中获得自己真正有用的那部分，所以信息的使用效率反而降低了，这就是所谓的信息超载（information overload）问题[1].而推荐算法正是在这样的情况下火起来的， 因为互联网的信息爆发有了大量的数据，这使得推荐系统有了用武之地.推荐系统的优势在于从用户本身出发，使用户自动获得期望信息.就比如假如我们直接搜索，我们可以通过搜索引擎获得精准的信息，可当我们不知道自己想要找什么的时候，推荐系统的优势就显现出来了[2].由于 Web2.0 技术的发展，在商业的驱使下，个性化推荐服务以其更好的用户体验获得了越来越多的互联网公司的青睐.20年代末，在美国人工智能协会上，个性化导航系统WebWatcher 被 RobertArmstrong 首次提出，在同一会议上，