推荐系统是解决“信息过载”问题的一种有效手段。推荐引擎是推荐系统的核心,主要负责用户推荐列表的计算。一个独立的、可以复用的推荐引擎对推荐系统的开发和维护有重要作用。本文的主要目标是设计和实现一个基于协同过滤算法的推荐引擎。围绕这一目标,主要做了三方面的工作:(1)研究了多种协同过滤算法的基本原理,提出了一种基于评分偏好和物品属性的协同过滤算法(PTP-Item-CF)。该算法通过评分偏好模型修正用户-物品评分矩阵,同时考虑时间因素和物品属性来改进物品相似度计算公式。实验证明,该算法可以有效提高推荐的准确度。(2)分析了相关推荐引擎的架构和特点,设计和实现了一个基于协同过滤算法的推荐引擎。引擎内置多种协同过滤算法,作为一个独立的组件以Rest API的形式对外提供服务。引擎具有模块化结构,通过模块复用可以简化推荐算法的开发。引擎利用类热加载技术,保障系统可以在运行时更新推荐算法。引擎采用缓存、消息队列和接口限流技术,具备一定的并发处理能力。(3)利用推荐引擎对菜肴推荐APP——“吃点啥”进行了升级改造,完善了菜肴推荐的功能,使其具有更好的推荐效果。本文设计和实现的推荐引擎可以帮助开发人员搭建符合自身业务的推荐系统,提高开发效率,具有较高的实用价值。另外,利用推荐引擎实现了“吃点啥”APP的升级改造,解决了实际的工程问题。