今天基于Movielens数据集把《推荐系统实践》上的部分算法实现了一下,顺便巩固python和pandas库的使用,发现书本上的代码有很多不靠谱之处(也许是我水平不够),所以基本都是自己写的,不当之处,还望指正。
2019-12-21 20:49:05 6KB 协同过滤
1
基于用户的协同过滤算法数据集以及代码实现,包含数据集,代码,还有介绍
2019-12-21 20:43:40 3.97MB 协同过滤算法
1
Python源码,基于物品的协同过滤算法源码及数据集,可运行
2019-12-21 20:36:07 9.43MB Python 源码 协同过滤 基于item
1
基于用户最近邻模型的协同过滤算法的Python代码实现,用户相似度用Pearson相关系数进行计算。
2019-12-21 20:33:28 7KB Python 协同过滤 皮尔逊相关性
1
基于spark的电影推荐系统数据集
2019-12-21 20:30:08 5.66MB spark 协同过滤 推荐系统
1
( Netflix Prize中的协同过滤算法.zip ) 个人收集,仅用学习使用,不可用于商业用途,如有版权问题,请联系删除!
2019-12-21 20:26:19 5.07MB 协同过滤算法
1
基于知识图谱表示学习的协同过滤推荐算法
2019-12-21 20:24:47 1.03MB 图计算 推荐系统
1
为了解决Internet上的信息迅速膨胀,出现的信息过载的问题,用户要在大量信息中挑选出自己真正需要的信息好比大海捞针,传统的搜索型产品存在一些不足,无法真正解决信息爆炸的问题,而推荐系统则是一个很好的选择。本系统采用了基于item-user混合协同过滤算法来为用户推荐真正自己感兴趣的产品,提高了推荐的精准性,相对于传统推荐系统多了从item的角度去分析。
2019-12-21 20:19:45 722KB item-user
1
Item based collaborative filtering recommendation algorithms 协同过滤推荐算法的基础论文
2019-12-21 20:15:54 251KB 协同过滤 推荐算法
1
本系统在Myeclipse下可以直接运行,选取了原上传代码中的一个算法进行分析运算。 上传文件中有该系统的相关说明。建议大家去Mahout官网查看详细说明。 先前上传的代码是在ANT下运行http://download.csdn.net/source/3358441 电影推荐系统中运用的推荐算法是基于协同过滤算法(Collaborative Filtering Recommendation)。协同过滤是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同,协同过滤分析用户兴趣,在用户群中找到指定用户的相似(兴趣)用户,综合这些相似用户对某一信息的评价,形成系统对该指定用户对此信息的喜好程度预测。
2019-12-21 20:13:11 3.42MB 电影推荐 协同过滤 Myeclipse Java
1