4、第一种很简单，直接使用第三方实现的推送，无需复杂的开发运维，直接可以使用。第二种就是自己封装，可以选择如今较为火热的WebSocket来实现系统的推送。
5、推荐算法是个统称，内部具体的逻辑各有各的策略。实现这些策略对于任何编程语言来说都是差不多的。因为编程语言都是判断+循环。
1、数据分析：利用机器学习算法对特征向量进行分析和挖掘，探索不同特征之间的关系，以及预测用户的兴趣。
2、协同过滤(CollaborativeFiltering)的基本概念就是把这种方式变成自动化的流程协同过滤主要是以属性或兴趣相近的用户经验与建议作为提供个性化的基础。
3、目前，国内新闻传播领域所使用的算法推送主要有三大类——协同过滤推送、基于内容推送和关联规则推送。协同过滤推送分为基于用户的协同过滤和基于模型的协同过滤。
5、基于用户的协同过滤算法，或者基于商品的协同过滤算法，简单来说就是需要用大数据如hadoop，当然也可以自己写推荐算法。
6、Java中主要的四个抽象过程是：封装、继承、多态和抽象类/接口。封装：将数据和行为封装在一个类中，通过访问修饰符来控制对数据的访问权限，从而实现数据的安全性和可维护性。
1、挖掘关联规则主要有Apriori算法和FP-Growth算法。后者解决了前者由于频繁的扫描数据集造成的效率低下缺点。以下按照Apriori算法来讲解。step1：扫描数据集生成满足最小支持度的频繁项集。
2、协同过滤(collaborativefiltering)算法是最经典、最常用的推荐算法。其基本思想是收集用户偏好，找到相似的用户或物品，然后计算并推荐。基于物品的协同过滤算法的核心思想就是：给用户推荐那些和他们之前喜欢的物品相似的物品。
3、推荐算法尤其是协同过滤推荐是基于一种间接性的推荐；而关联规则分析则是对直接性的分析。
4、从上面的描述中可以看到，基于用户的协同过滤算法主要包括两个步骤。第一步：找到和目标用户兴趣相似的用户集合。第二步：找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。
5、基于用户(User-CF)：基于用户的协同过滤推荐的基本原理是，根据所有用户对物品的偏好，发现与当前用户口味和偏好相似的“邻居”用户群，并推荐近邻所偏好的物品。