首先是智能web应用的定义：系统在做出反馈时会考虑到整个系统中所有的用户在不同时间的输入和行为，并对其他各种可能有用的信息加以利用。也就是说，智能web应用和用户之间的交互还可以根据具体的实际情况和相关的其他用户的行为进行调整。

这次的系统是关于新闻的智能计算的应用，也就是当用户在社交网络上分享的个人信息，以及在新闻下或者论坛里分享新闻和观点，能构成新的联系，进而达到反馈用户信息，根据得到的信息进行相关功能的适当调整，达到交互的目的，这种联系也就是智能web应用的新核心。

典型的应用是1998年，基于链接分析的搜索技术风卷残云搬地占领了整个市场。Google公司的王者之路，主要归功于该搜索技术，然而，现在的智能web应用早已经不局限于搜索引擎领域。所以，其他领域也陆续出现新的智能web应用。

互联网发展到今天，信息过载是用户面临的非常大的一个问题，帮助用户发现他感兴趣的内容有很强的商业需求和现实意义，因此涌现了很多推荐系统，最早应用在电子商务领域，较为著名的有亚马逊，使用协同过滤算法，为用户推荐商品。目前常见的推荐系统有基于内容的推荐 content-based，协同过滤 collaborative filtering。协同过滤比基于内容的方法有更好的性能，协同过滤算法又分成基于用户的协同过滤算法 UserCF 和基于物品的协同过滤算法 ItemCF。 这些推荐算法被应用到多个领域，其中新闻推荐是一个热门的研究领域，SME_FIIT 是一个基于内容的新闻推荐系统，通过计算文章的相似度，考虑题目、类别等，基于内容的新闻推荐系统，会为用户生成一个新闻列表，这些新闻跟用户喜欢的新闻较为相似，基于内容的新闻推荐很难为用户推荐新的主题。用户不是总想读同一主题的新闻，用户阅读 10 条新闻，这10 条新闻平均属于 7 个主题。协同过滤算法对个性化的新闻推荐是有用处的。

还有一种是混合算法，组合推荐算法，常见的组合方法有加权、变换、混合、层叠、特征扩充等，其通常是用多种推荐方法各得出一个推荐预测结果，然后在通过以上某种形式 进行组合，这样便可以弥补各种推荐算法的缺点，以便得到更将精确的推荐结果。

2. 研究的基本内容与方案

2.1 内容及目标（开发的系统概况描述）

本课题旨在以Web新闻门户网站，掌握智能Web背景下新闻门户应用系统的开发技术。了解智能Web计算的基本概念和应用范围，理解智能Web领域的大数据应用方法。收集基础数据集，建立适用于多数据集的模型，掌握用户行为数据集的挖掘方法。实现获取并清洗新闻内容，搜索新闻，分配新闻类别，创建新闻分组，基于用户评分的动态内容展示的需求。

2.2 技术路线

在具体毕业设计进行过程中，我打算按照以下流程进行相关知识的学习和毕业设计的实施：

2.2.1利用word2vec 训练向量模型