协同过滤是成功的个性化推荐技术之一. 但传统协同过滤算法由于不能及时反映用户的兴趣变化，影响了推荐质量. 针对这个问题，本文借鉴心理学上艾宾浩斯遗忘曲线来跟踪和学习用户的兴趣，展开了协同过滤推荐算法的研究. 通过数学分析工具发现了与遗忘曲线拟合度较高的幂函数曲线，并把用户的兴趣分为短期兴趣和长期兴趣，提出了基于时间窗口的权重函数，以此解决跟踪和学习用户兴趣的难题. 结合项目的评分相似性和属性相似性来定义项目相似度数据权重函数. 将基于时间窗的数据权重与基于项目相似度的数据权重相结合来反应用户对项目的兴趣度

ss_09_推荐算法打算大苏打.py

针对传统协同过滤（CF）推荐算法存在评分矩阵稀疏、扩展性弱和推荐准确率低的缺陷，提出一种改进模糊划分聚类的协同过滤推荐算法（GIFP-CCF ）。在传统基于修正余弦相似度计算方法上，引入时间差因子、热门物品权重因子以及冷门物品权重因子以改善相似度计算结果；同时引入改进模糊划分的GIFP-FCM算法，将属性特征相似的项目聚成一类，构造索引矩阵，同索引间根据项目间的相似度寻找项目最近邻居构成推荐，从而提高协同过滤算法（CF）的精度。通过与Kmeans-CF、FCM-CF和GIFP-CCF算法进行仿真对比实验，证明了GIFP-CCF 算法在推荐结果和推荐精度上具有一定的优越性。

华中科技大学大数据分析 实验内容 lab1 wordcount算法及其实现 lab2 PageRank算法及其实现 lab3 关系挖掘实验 lab4 kmeans算法及其实现 lab5 推荐系统算法及其实现

基于协同推荐算法的在线音乐平台

3分钟了解今日头条推荐算法原理（附视频+PPT）_搜狐科技_搜狐网

基于Hadoop的旅游景点推荐系统的设计与实现.pdf

伴随着蓬勃发展的视频业务及内容，海量的视频信息常常导致用户选择困难，视频推荐技术随之诞生。传统的协同过滤算法存有推荐精度不高以及系统自身冷启动等问题。文章中设计并开发出一种基于Web挖掘的个性化视频推荐系统。该方法是采用用户Web日志模式进行分析，搜聚用户行为与属性建立效用数据矩阵，生成目标用户兴趣模型，在针对稀疏数据处理中采用PCA方式进行数据降维处理，也将内容和协同过滤的推荐优势同构化形成混合推荐算法，改进相似度计算方式。最终，实验结果验证了基于内容和协同过滤的混合推荐算法的平均绝对误差（MAE）比传统的基于内容或协同过滤算法整体降低了15%和6%。最后，利用Python Web技术和文章改进的算法搭建了电影推荐的原型系统。

提出一种基于协同过滤的网络论坛个性化推荐算法,根据用户的发帖、回帖、阅读等记录,采用加权方法计算用户帖子的评分矩阵,获取邻近用户集合,通过邻居用户的帖子评分,计算目标用户的帖子预测评分,推荐预测评分最高的帖子。实验结果表明,该算法的推荐质量较高。

推荐系统是一种通过理解用户的兴趣和偏好帮助用户过滤大量无效信息并获取感兴趣的信息或者物品的信息过滤系统.目前主流的推荐系统主要基于离线的、历史的用户数据，不断训练和优化线下模型，继而为在线的用户推荐物品，这类训练方式主要存在三个问题：基于稀疏且具有噪声的历史数据估计用户偏好的不可靠估计、对影响用户行为的在线上下文环境因素的忽略和默认用户清楚自身偏好的不可靠假设.