互联网的发展让用户可以获取到海量的信息,在面对庞杂的信息时,互联网用户需要从中筛选出自己感兴趣的内容。然而信息超载问题导致用户很难从大量信息中找到自己需要的内容,这让信息使用效率大幅下降。推荐算法的出现为信息过滤提供了新的思路,算法通过预测目标用户感兴趣的内容,帮助用户快速筛选信息,进而提高信息使用效率。现阶段推荐算法应用十分广泛,包括社交媒体、视频音频、电商购物、广告投放等领域,但是针对开源社区内容的推荐仍处于发展中,目前开源社区内容推荐存在三个方面的问题:一是为开源社区用户进行内容推荐时的参考维度不够多样;二是不同开源社区之间的联系不够紧密;三是开源社区在移动端的应用还不够成熟。文章从上述问题出发,在现有工作的基础上,结合用户信息融合思想、混合推荐方式以及随机游走策略,研究了基于用户信息融合的开源社区内容推荐算法,并与i OS移动开发结合,设计并实现了移动端的开源社区内容推荐系统。详细工作内容与实现方案如下:1.用户信息融合从多维度入手,整合不同开源社区间同一用户信息、开源社区中相似用户信息以及用户个人信息,构建用户-用户关系矩阵与用户-标签关系矩阵。2.采用随机游走策略对用户-用户矩阵以及用户-标签矩阵进行更新,降低了开源社区用户与兴趣标签关系的主观性。改进用户兴趣排名打分策略,使打分结果更准确,提高开源社区用户与兴趣标签关系的客观性。3.将文中提出的算法与基于内容的推荐算法和协同过滤推荐算法进行性能比较,在算法准确率、F-measure值、召回率等方面进行对比,证明了基于用户信息融合的开源社区内容推荐算法性能优于其他两种推荐算法,有着较好的推荐效果。4.将推荐算法与移动端应用开发结合,使用Apple的Core ML框架整合机器学习模型,把算法训练模型部署到i OS移动端,让模型可以与移动开发过程中的其他控件进行数据交互。在此基础上结合i OS移动开发知识,实现了开源社区内容推荐系统,为开源社区内容推荐在移动端的发展提供了可行性方案。