由于这是一个完整的项目，我们可以提供一些核心的代码片段或者架构设计来帮助理解。

1. 用户评分计算协同过滤推荐（核心函数）:

def calculate_similarity(user1_ratings, user2_ratings):
    # 计算两用户的相似度
    ...
 
def get_recommendations(user_id, ratings, similarity, n=10):
    # 获取推荐作品
    user_ratings = ratings[user_id]
    all_users = ratings.keys()
    all_users.remove(user_id)
 
    recommendations = []
    for other_user in all_users:
        if other_user != user_id:
            sim = similarity[user_id][other_user]
            if sim > 0:
                for item in ratings[other_user]:
                    if item not in user_ratings:
                        recommendations.append((item, sim * user_ratings.get(item, 0)))
 
    return sorted(recommendations, key=lambda x: -x[1])[:n]

2. 后端Spring Boot控制器（简化版）:

@RestController
@RequestMapping("/api/recommendation")
public class RecommendationController {
 
    @Autowired
    private RecommendationService recommendationService;
 
    @GetMapping("/{userId}")
    public ResponseEntity<?> getRecommendations(@PathVariable("userId") String userId) {
        List<Item> recommendations = recommendationService.getRecommendations(userId);
        return ResponseEntity.ok(recommendations);
    }
}

3. 前端Vue组件（用于展示推荐作品）:

<template>
  <div>
    <div v-for="item in recommendations" :key="item.id">
      {{ item.title }}
    </div>
  </div>
</template>
 
<script>
export default {
  data() {
    return {
      recommendations: []
    };
  },
  created() {
    this.fetchRecommendations();
  },
  methods: {
    fetchRecommendations() {
      const userId = 'user123'; // 示例用户ID
      this.$http.get(`/api/recommendation/${userId}`)
        .then(response => {
          this.recommendations = response.data;
        })
        .catch(error => {
          console.error('Error fetching recommendations:', error);
        });
    }
  }
};
</script>

这些代码片段提供了核心逻辑，展示了如何计算用户推荐、后端如何提供推荐服务以及前端如何展示推荐结果。实际应用中，你需要实现数据库访问、完善的业务逻辑以及错误处理等。

由于这个项目涉及的代码量较大，并且是一个完整的应用程序，我无法在这里提供所有的代码。但我可以提供一个简化的Express应用程序的核心设置代码示例：

const express = require('express');
const bodyParser = require('body-parser');
const app = express();
 
// 设置静态文件目录
app.use(express.static('public'));
 
// 使用body-parser中间件解析JSON和urlencoded数据
app.use(bodyParser.json());
app.use(bodyParser.urlencoded({ extended: true }));
 
// 设置路由和处理函数
app.get('/', (req, res) => {
  res.send('Index page');
});
 
app.post('/recommend', (req, res) => {
  // 获取请求体中的参数
  const { userId, restaurantId } = req.body;
  // 调用推荐逻辑
  const recommendedRestaurant = recommendRestaurant(userId, restaurantId);
  res.json(recommendedRestaurant);
});
 
// 启动服务器
const PORT = process.env.PORT || 3000;
app.listen(PORT, () => {
  console.log(`Server is running on port ${PORT}`);
});
 
// 模拟一个简单的推荐逻辑函数
function recommendRestaurant(userId, restaurantId) {
  // 实现推荐逻辑...
  return { restaurantId: restaurantId + 1 }; // 假设推荐的餐厅ID比输入的ID大1
}

这个示例展示了如何使用Express框架创建一个简单的Web服务器，并设置了一个路由以及处理函数来处理推荐逻辑。这个逻辑是模拟的，并且需要根据实际的推荐算法来实现。这个示例也展示了如何使用body-parser中间件来解析请求体中的JSON和URL编码数据。

在实际应用中，你需要实现一个更复杂的推荐逻辑，并且可能需要连接数据库来存储用户的偏好和餐厅信息。你还需要实现一个用户界面来与用户交互，并且可能还需要使用其他Express中间件，比如cors来处理跨域请求。

请注意，这个示例不包括用户界面的代码，只包括后端逻辑。用户界面通常是用HTML和JavaScript编写的，并且可能会使用前端框架（如React, Vue, Angular等）来增强其功能和用户体验。

import requests
from bs4 import BeautifulSoup
import re
import pandas as pd
 
# 示例函数：从指定的新闻网站爬取新闻标题和链接
def crawl_news(url):
    response = requests.get(url)
    soup = BeautifulSoup(response.text, 'html.parser')
    news_items = soup.find_all('div', class_='news-item')
    news_data = []
    for item in news_items:
        title = item.find('a').text
        link = item.find('a')['href']
        news_data.append({'title': title, 'link': link})
    return news_data
 
# 示例函数：使用正则表达式提取新闻内容中的关键词
def extract_keywords(content):
    keywords = re.findall(r'[a-zA-Z]+', content)
    return keywords
 
# 示例函数：将新闻数据转化为DataFrame格式
def prepare_dataframe(news_data):
    df = pd.DataFrame(news_data)
    return df
 
# 示例函数：使用K-means算法对新闻进行聚类
from sklearn.cluster import KMeans
 
def cluster_news(data, k=5):
    kmeans = KMeans(n_clusters=k)
    kmeans.fit(data)
    return kmeans.labels_
 
# 示例函数：根据用户的兴趣喜好，推荐相关新闻
def recommend_news(user_interests, news_data):
    recommended_news = [news for news in news_data if any(interest in news.keywords for interest in user_interests)]
    return recommended_news
 
# 示例函数：将新闻推荐给用户
def present_recommendation(recommended_news):
    for news in recommended_news:
        print(f"新闻标题: {news.title}")
        print(f"新闻链接: {news.link}\n")
 
# 假设的用户兴趣喜好
user_interests = ['科技', '健康']
 
# 假设的新闻网站URL
news_url = 'https://example.com/news'
 
# 爬取新闻
news_items = crawl_news(news_url)
 
# 为新闻数据准备DataFrame
df = prepare_dataframe(news_items)
 
# 为新闻数据提取关键词
df['keywords'] = df['title'].apply(extract_keywords)
 
# 使用K-means算法对新闻进行聚类
cluster_labels = cluster_news(df[['title', 'link']])
df['cluster'] = cluster_labels
 
# 根据用户的兴趣喜好，推荐相关新闻
recommended_news = recommend_news(user_interests, df)
 
# 将新闻推荐给用户
present_recommendation(recommended_news)

这个代码示例展示了如何使用Python爬取新闻网站的新闻标题和链接，如何提取关键词，如何使用K-means算法对新闻进行聚类，以及如何根据用户的兴趣喜好推荐相关新闻。这个过程是一个简化的示例，实际应用中需要更复杂的数据预处理和算法优化。

以下是一个简化的动漫推荐系统的核心函数示例，展示了如何使用机器学习模型进行动漫推荐，并且包括了一个简单的Web接口：

from flask import Flask, request, jsonify
import joblib
import pandas as pd
 
app = Flask(__name__)
 
# 加载协同过滤模型
cf_model = joblib.load('cf_model.pkl')
 
# 加载电视剧数据的特征工程管道
with open('tv_feature_pipeline.pkl', 'rb') as f:
    tv_feature_pipeline = joblib.load(f)
 
@app.route('/recommend', methods=['POST'])
def recommend_tv():
    request_data = request.get_json(force=True)
    tv_id = request_data['tv_id']
 
    # 使用特征工程管道转换输入电视剧的特征
    processed_tv = tv_feature_pipeline.transform([[tv_id]])
 
    # 使用cf_model进行推荐
    recommended_tvs = cf_model.predict(processed_tv)
 
    # 查询电视剧信息（例如，用于生成推荐理由）
    # 假设有一个函数get_tv_info(tv_id)可以获取电视剧信息
    recommended_tv_info = [get_tv_info(tv_id) for tv_id in recommended_tvs[0]]
 
    return jsonify({'recommendations': recommended_tv_info})
 
# 假设的get_tv_info函数，实际应用中需要查询数据库或其他数据源
def get_tv_info(tv_id):
    # 这里只是示例，应该从数据库或其他数据源获取实际的电视剧信息
    return {'tv_id': tv_id, 'title': 'Dummy TV Show', 'genre': 'Drama'}
 
if __name__ == '__main__':
    app.run(debug=True)

这个示例使用了Flask框架来创建一个Web接口，允许用户通过POST请求推荐特定电视剧的相似电视剧。推荐系统的核心部分是加载了一个训练好的协同过滤模型，并使用它来进行推荐。在实际应用中，你需要替换数据查询和模型加载的部分，以及完善get\_tv\_info函数来获取实际的电视剧信息。

由于原始代码较为复杂且涉及到API调用和数据分析，我们无法提供一个完整的解决方案。但是，我们可以提供一个简化的Python示例，展示如何使用requests库获取B站短视频推荐列表，并使用pandas进行简单的数据分析。

import requests
import pandas as pd
 
# B站短视频推荐API
api_url = 'https://api.bilibili.com/x/web-interface/dynamic/region?callback=jQuery17209588205064242753_1615625286966&jsonp=jsonp&callback_type=ajax&_=1615625286967'
 
# 发送HTTP请求
response = requests.get(api_url)
 
# 检查请求是否成功
if response.status_code == 200:
    # 解析JSON数据
    data = response.json()
    # 提取视频推荐列表
    videos = data['data']['archives']
 
    # 将视频数据转换为DataFrame
    df = pd.DataFrame(videos)
 
    # 打印前几行数据
    print(df.head())
else:
    print("请求失败")
 
# 注意：实际应用中可能需要处理更多的数据和逻辑，例如分析视频数据、进行情感分析等。

这个代码示例展示了如何获取B站的短视频推荐列表，并使用pandas将数据转换为DataFrame格式，以便进一步分析。实际应用中，你可能需要处理更多的数据和逻辑，例如分析视频数据、进行情感分析等。