特别说明

早期的新闻推荐系统实践内容中使用数据库（Mysql/Mongo/Redis）+ 前端（Vue）+ 后端（Flask）实+ 推荐策略，实现了推荐系统的基本流程。下面简单对该系统进行总结，看完之后看大家是能从中获取到相应的内容。

• 系统将新闻的爬取、预处理、入库等事情都串在了一起，并将整个过程都自动化的执行
• 对于展示的新闻内容，没有使用复杂的推荐算法，仅仅是通过简单的策略实现了热门打分，然后按照热度分进行排序。此外，考虑到展示的内容可能同类别的都排在了一起，实现了一个简单的类别打散的策略。（注意：整个系统中都没有排序相关的模型，只有简单的规则类召回）
• 当前系统虽然能够实现用户的注册，点击等交互功能，但是由于使用的用户很少，很难得到一个比较好的用户行为数据，也就无法有效的将该系统迭代起来，甚至都无法很好的对推荐效果进行评估。
• 为了实现能够对系统中的推荐算法进行有效的评估，我们在代码中还想嵌入一个现有的公开新闻推荐数据集，这个数据集是科大讯飞的一个竞赛数据集。所以在代码中的recall和rank目录下添加了一部分处理竞赛数据集的代码，目前由于时间原因，还没有把整个竞赛数据集全部迁入到数据库、前端展示等环节。也就是说基于竞赛数据集的系统和上面提到的（已经完全可以运行的基于规则的新闻推荐系统），是完全脱节的，后面会花时间把整个流程给串起来。这里用到的竞赛相关的数据下载连接（注意：不能作为商业用途）：https://cowtransfer.com/s/5461d6c2fdfb4c 或 打开【奶牛快传】cowtransfer.com 使用传输口令：2v5lky 提取；

该新闻推荐系统只是基于现有的技术，实现了推荐系统的基本流程，对于架构是否合理，技术选型是否合理都没有深入研究，这也是未来该项目的优化方向，会结合实际工业的推荐系统对其进行不断的迭代优化。

新闻推荐系统实践前端展示和后端逻辑(项目没有任何商用价值仅供入门者学习)