随着信息技术尤其是移动互联网技术的飞速发展,网络平台上的信息量呈现指数级增长,如何从海量数据中发现感兴趣的内容对用户来说是一大挑战。作为应对这种挑战的有效手段,推荐系统被越来越多地用于为用户提供个性化服务。然而文本主题多元化和用户兴趣变化的时序性,使得传统的推荐策略很难满足用户的个性化需要。如何深层挖掘文本信息、结合机器学习算法召回推荐商品并精准排序成为本系统研究的重点。针对上述问题,本文设计了一种基于文本挖掘与排序学习的推荐系统,研究了新型推荐方案,包括文本建模算法、候选集召回算法及候选集排序算法,然后基于该推荐策略设计并实现了内容推荐系统。主要工作内容如下:(1)结合文本主题概率模型和深度神经网络,提出了一种推荐候选集触发策略。该策略使用深度神经网络挖掘用户与商品的深层属性,使用梯度下降与反向传播对模型进行训练,计算用户与商品在相同空间下的特征序列,通过近邻计算找到与用户喜好最相关的商品集合。尝试性的利用隐含狄利克雷分布计算文本主题分布,嵌入到用户阅读历史兴趣序列作为模型的预训练数据,不仅提高了深度神经网络模型计算的准确率,也使模型损失函数快速收敛,提高了计算效率。(2)结合深度神经网络与因子分解机构建了融合模型,该模型通过构造用户与商品的低阶特征组合和高阶特征组合,挖掘用户与商品复杂的隐含联系,实现了对推荐商品的点击率预测,从而在客户端展示数量有限的情况下,对召回推荐列表精准筛选与排序。线上A/B测试表明,该算法使得用户的点击率比原有基于标签的推荐提高了 14%。(3)结合用户和系统需求,设计了内容推荐系统的整体架构,并基于Spring Boot框架设计实现了推荐系统的在线服务,能够有效处理用户请求,将推荐算法与复杂业务逻辑筛选出的推荐商品列表及时返回给客户端,并验证了系统的功能与性能。目前该系统已成功运用于得到APP大规模文章推荐,很大程度上改善了用户体验。图40幅,表16个,参考文献42篇。