基于java实现协同过滤算法，并附带测试集，假设用户喜欢跟他过去喜欢的物品相似的物品 ，历史上相似的物品在未来也相似 ，给定用户u，找到他过去喜欢的物品的集合R(u). ， 把和R(u)相似的物品推荐给u.

基于物品的协同过滤算法 （mapreduce）

基于用户的协同过滤算法python代码

异火团队 Scrum开发第一周ing ...

使用rbm根据现有数据为用户推荐电影。 输入需要自己编写。

EMAN 一个基于SSM框架与物品的协同过滤算法(ItemCF)的简单电子书推荐系统 界面截图 系统功能分析 推荐策略 因部分推荐算法需要使用用户的喜爱数据作为参数。若用户未登录就采用对游客的 推荐策略。若用户已登录就采用对登录用户的推荐策略。其中若登录用户在数据库中存 在感兴趣的分区记录的话就会增加一个来自你感兴趣的分区的推荐。 所以将推荐策略分为是否登录两种情况进行区别。 若用户未登录就采用对游客的用户评分显示策略。若用户已登录就采用对登录用户 的用户评分显示策略。其中若登录用户已经对当前详情页的电子书进行过评分，则显示 其评分记录。 �爬虫爬取策略 系统分析与设计 系统分析 如用例图所示，本系统中的基本用户分为 3 种。分别是游客、注册用户、管理员。 游客可以访问电子书推荐平台的首页、用户注册页面、查看电子书页面。注册用户比游 客多的功能在于可以对电子书进行评分与评论和由该用户预测兴

基于协同过滤的高校图书推荐系统

目前商用的推荐机制都为混合式推荐，将用户属性、项目属性、用户操作行为、聚类算法、基于用户、基于项目、基于内容等混合推荐。本文主要介绍混合推荐的推荐原理、推荐过程、代码实现。 一、基于用户/项目的混合协同过滤推荐算法推荐原理 混合推荐可使用的数据包括： 1、用户属性：用户位置、用户性别、用户年龄等属性信息； 2、项目属性：项目类别、项目添加时间、项目内容等属性信息； 3、用户操作行为：用户评分、收藏记录、浏览记录、观看时长、购买记录等操作行为； 混合推荐方法可以是先将数据进行聚类（用户聚类、项目聚类等），可进行多次聚类，聚类算法常用的有KMeans聚类、Canopy聚类、KMeans+Canop

本课程后通过完整的项目实操，帮助学员从构建数据集、特征选择 、模型调参 、模型评估与验证 一步步掌握机器学习项目开发的完整流程，同时能够完整地学习到推荐系统的相关基础知识。

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。 电影推荐系统中引用了Apache Mahout提供的一个协同过滤算法的推荐引擎Taste，它实现了最基本的基于用户和基于内容的推荐算法，并提供了扩展接口，使用户方便的定义和实现自己的推荐算法。