原来为了简单方便，自己小网站上的文章页的相关内容推荐就是从数据库里随机抽取数据来填充一个列表，所以一点相关性都没有，更本没有办法引导用户去访问推荐内容。

算法选择

如何能做到相似内容的推荐呢，碍于小网站还跑在虚拟主机上（对的，连一个自己完整可控的服务器都没有），所以可以想的办法不多，条件限制在 只能用PHP+MySql。所以我想到的办法就是通过Tags来匹配相似文章进行推荐。如果两篇文章的TAGS 比较相似

通过眼睛我们能很方便的发现，文章B和文章A更为相似，因为它们有三个关键字相同分别为：[A,D,E]，哪如何用计算机来判断它们的相似度呢，这里我们用jaccard相似度的最基本应用来计算它们的相似度

jaccard相似度

给定两个集合A,B，Jaccard 系数定义为A与B交集的大小与A与B并集的大小的比值，定义如下：

文章A和文章B的交集为 [A,D,E],大小为3，并集为[A,B,C,D,E,F,G],大小为7，3/7=0.4285...
而文章A和文章C交集为 [C],大小为1，并集为[A,B,C,D,E,H,I,J,K],大小为9， 1/9=0.11111...

这样就可以得出文章A，B比文章A，C更为相似，有了这个算法，计算机就可以来判断两篇文章的相似度了。

具体的推荐思想

给定一篇文章，获取该文章的关键字TAGS,然后通过以上算法去数据库比对所有文章的相似度，获取最相似的N篇文章进行推荐。

实现过程

第一 TAGS的获取

文章的TAGS是通过TF-IDF算法，提取文章中的高频词，选取N个作为TAGS，对于中文的文章来说还涉及到一个中文分词的问题，因为是虚拟主机的关系，这步的工作我用python（为什么用Python ,jieba分词，真香）在本地写了一个程序，完成所有文章的分词，词频统计，生成TAGS，并写回服务器的数据库。由于本文是写推荐的算法，所以分词和建立TAGS的部分就不具体展开了，而且不同的系统有不同的TAGS建立方式。

第二 TAGS的存储

建立两张表，用于存储TAGS
tags，用于存所有tag的名称

+-------+------------+------+-----+---------+-------+
(北联网教程,专业提供视频软件下载)

 
第1页  第2页  第3页  第4页  第5页  第6页  第7页  第8页  第9页  第10页  第11页  第12页  第13页  第14页  第15页  第16页  第17页  第18页  第19页  第20页  第21页  第22页  第23页  第24页  第25页  第26页  第27页  第28页  第29页  第30页  第31页  第32页  第33页  第34页  第35页  第36页  第37页  第38页  第39页  第40页  第41页  第42页  第43页  第44页  第45页  第46页  第47页  第48页  第49页  第50页  第51页  第52页  第53页  第54页  第55页  第56页  第57页  第58页  第59页  第60页  第61页  第62页  第63页  第64页  第65页  第66页  第67页  第68页  第69页  第70页  第71页  第72页  第73页  第74页  第75页  第76页  第77页  第78页  第79页  第80页  第81页  第82页  第83页  第84页  第85页  第86页  第87页  第88页  第89页  第90页  第91页  第92页  第93页  第94页  第95页  第96页  第97页  第98页  第99页  第100页  第101页  第102页  第103页  第104页  第105页  第106页  第107页  第108页  第109页  第110页  第111页  第112页  第113页  第114页  第115页  第116页  第117页  第118页  第119页  第120页  第121页  第122页  第123页  第124页  第125页  第126页  第127页  第128页  第129页  第130页  第131页  第132页  第133页  第134页 
 

……