电影推荐系统 推荐系统（Java，Apache Spark） 在电影镜头1M数据集上使用Apache Spark的交替最小二乘（ALS）算法实施（来自6000名用户的4000个电影的100万评级）实现了协同过滤–模型预测的均方误差（MSE）为0.72，每个用户10条电影推荐。

推荐系统 一个开发中的推荐系统，在tensorflow 2中实现。 数据集：MovieLens-100k，MovieLens-1m，MovieLens-20m，lastfm，Book-Crossing和一些satori知识图。 算法：UserCF，ItemCF，LFM，SLIM，GMF，MLP，NeuMF，FM，DeepFM，MKR，RippleNet，KGCN等。 评估：ctr的auc f1和topk的精度调用。 要求 Python 3.8 Tensorflow 2.4.1 跑 ，并将“ ds”和“ kg”放在“ Recommender_System / data”文件夹下。 在PyCharm中将当前文件的父目录作为项目打开，设置Python 3.8解释器并pip install tensorflow == 2.4.1。 转到Recommender_System / algo

推荐系统 利用MovieLens数据，Pearson相似度，分别基于User和Item构建一个简单的kNN推荐系统，并进行RMSE评价

推荐系统 《推荐系统实践》算法python实现

隐式反馈的贝叶斯个性化排名 该存储库使用pyTorch（ ）实现贝叶斯个性化排名其他存储库也实现了此模型，但是评估需要更长的时间。 因此，我使用带有GPU加速功能的pyTorch来实现此模型以进行评估。 实现细节将在下一节中说明。 环境 硬件 AMD锐龙7 3700X 8核处理器 三星DDR4 32GB NVIDIA TitanXp 软件 作业系统 我同时使用Windows和Linux（Ubuntu）。 Python包 在执行此代码之前，您必须安装以下软件包。 Python== 3.6 pytorch == 1.3.1 numpy == 1.15.4 熊猫== 0.23.4 您可以通过执行以下命令或通过anaconda安装这些软件包。 pip install -r requirements.txt 用法 0.准备数据 此代码支持movielens 1m数据和moviele

做得更好 Cook Better是一个Slack聊天机器人，根据可用成分以及用户的饮食和健康限制来推荐食谱。 演示版 斜杠命令 /个性化 使用此命令可以配置任何食物过敏，饮食限制，健康状况和体重目标。 您只需要执行一次，当您搜索食谱时我们就会记住您的选择！ / searchrecipes 使用此命令可根据您的食材搜索食谱。 您还可以按食谱类型，烹饪时间搜索食谱，或在特殊情况下查找食谱。 / surpriseme 该命令每次都会建议一个随机配方（同时牢记您的个性化标准）！ / cookbetterhelp 回到这个空间，以防您卡住并注意我们可能添加的任何新功能！ 笔记 要测试聊天机器人，请加入该并尝试使用斜杠命令。 可在找到针对CSC 510（2018年Spring）进行的评估结果。 指示 请按照以下说明在本地计算机上设置开发环境。 先决条件 JDK IntelliJ IDEA

matlab矩阵细分的过滤协同推荐代码SCoR 推荐系统 MATLAB代码： 基于综合坐标的推荐系统 这是 SCoR 方法 [1] 的实现。 SCoR 是一种基于合成坐标的推荐系统，其性能优于该领域最流行的算法技术，如矩阵分解和协同过滤等方法。 更多详细信息可以在 和 中找到 您只能将其用于非商业目的。 如果您在工作中引用我们的论文 [1]，我们将不胜感激： .java 文件的代码由 H. Papadakis 编写。 [1] H. Papadakis、C. Panagiotakis 和 P. Fragopoulou，SCoR：基于合成坐标的推荐系统，具有应用程序的专家系统，卷。 79，第 8-19 页，2017 年。

Recommender-System A developing recommender system, implements in tensorflow 2. Dataset: MovieLens-100k, MovieLens-1m, MovieLens-20m, lastfm, Book-Crossing, and some satori knowledge graph. Algorithm: UserCF, ItemCF, LFM, SLIM, GMF, MLP, NeuMF, FM, DeepFM, MKR, RippleNet, KGCN and so on. Evaluation: ctr's auc f1 and topk's precision recall. Requirements Python 3.8 Tensorflow 2.3.2 Run Open parent

推荐系统 分别基于协同过滤算法和基于TensorFlow建立推荐系统 一，基于协同过滤的推荐系统 协同过滤（collaboorative filter）：利用某兴趣相投，拥有共同经验之众的喜好来推荐用户公众的信息。比如说，你和另外一个人都喜欢看电影，而你们所喜欢的电影类型都差不多，那个人对于某个部电影的评价很高，而这部电影你没有看过。那么，我是不会将这部电影推荐给你呢？基于协同过滤的推荐，有基于用户和基于物品。 本项目可实现的功能： 1，基于用户的协同过滤 2，基于项目的协同过滤 3，基于内容的过滤算法 4，混合推荐系统 示例：您所做的那10个最近的邻居！ （1996）： 西雅图不眠夜（1993） 勇敢的心（1995） 玩具总动员（1995） 蝙蝠侠（1989） 土拨鼠日（1993） 美少女（1990） 星际迷航：第一次接触（1996） 当你睡觉时（1995） 萨布丽娜

音乐推荐系统 该项目已作为NCSU ADBI 591课程的一部分完成。 注意：如果您是北卡罗莱纳州立大学的学生，并且在谷歌搜索作业中遇到问题时，请确保已使您的教授知道您已将此作为参考。 盲目复制而不引用您的消息来源是a窃案。 创建了一个推荐系统，该系统将根据新用户的收听历史向他们推荐新的音乐艺术家。 向用户建议不同的歌曲或音乐艺术家对于许多音乐流媒体服务（例如Pandora和Spotify）很重要。 另外，这种推荐系统也可以用作向用户（例如，Netflix）推荐电视节目或电影的手段。 使用Apache Spark，Python和协作过滤技术完成。