个性化推送作为一种有效拉起用户日活和召回用户的策略,近几年来被各类App广泛应用,随着机器学习算法在互联网上的广泛使用,基于大数据的人工智能时代已经到来。如何将机器学习模型应用于个性化推送场景,从而减少无效推送对用户的骚扰,是近年来研究的一个重难点。首先对系统需求的功能性和非功能性方面进行了分析,并在此基础上进行系统功能性方面的总体设计;在总体设计部分,介绍了系统设计的目标原则、系统设计架构、协同过滤的推荐模型、系统各模块的详细设计以及系统数据库的设计;最后实现了系统模块的所有功能,并从系统质量方面对系统的功能性和非功能性进行了测试。系统根据推送的目标进行筛选,将符合要求的用户进行召回,按照协同过滤的评分矩阵进行打分,返回物品相似度最高的物品对应的用户列表。在返回的用户列表中筛选目标用户进行线上测试,根据测试的得分与基础分的关系,决定是否上线或者重新回到协同过滤模型训练部分。在任务满足上线条件的情况下,将推荐模型提送的用户列表进行正式推送,并跟踪任务推送进度,对推送的指标在各种不同的维度下的效果进行综合分析,以达到辅助运营决策和效果监控的目的。系统在设计以及实现的时候,充分考虑了软件设计的高内聚和低耦合的标准,实现了从数据源到系统各功能模块的高度独立性,模块的修改和调整对于系统平台是无感知的,具有高度可扩展性。结果表明系统可视化平台更有利于推送任务的开发、分析和管理,方便任务的查询和回溯,对于个性化推送的业务扩展具有重要的意义。