[目录] 小说推荐系统 代码 RecSys_CountVectorizer.ipynb：词频统计后计算余弦相似度。 RecSys_Word2Vec.ipynb：PySpark Word2Vec再计算余弦相似度 数据 存储于data文件夹下。 爬虫获取笔趣阁上的一万部小说信息，如标题，作者，字数，简介信息等。 结果 存储于results文件夹下 CountVectorizer结果 Word2Vec结果

ZCQ 基于Million Song Dataset的音乐推荐系统

职位推荐 职位推荐系统

MovieLens1M基于深度学习的电影推荐系统 使用MovieLens1M数据集（数据可以从下载），实现自动编码器（AE），可变自动编码器（VAE），BERT提取电影名特征3种方法，对评分矩阵进行耦合，继而对用户做出推荐。 代码建议在Google Colab环境下运行，代码中的目录请根据自己的实际目录进行修改。 本代码主目录和子目录如下： / content / drive / Movie_lens / --------- ml-1m（包含数据集的文件夹） ---------自动编码器.ipynb ---------基于BERT的recommender.ipynb 1个型号： 1.1自动编码器 1.2可变自动编码器 1.3基于BERT 2实验结果： 2.1自动编码器的训练损失和验证损失的MSE 2.2变分自动编码器的训练损失和验证损失的MSE 2.3基于BERT的训练损失和测试损失的M

推荐系统 基于Django和协同过滤算法的电影推荐系统 实现注册，登录，搜索，打分和推荐功能。 主页搜索 注册 登录 搜索结果和打分 推荐

数据集 要使用的数据集如下： : 职位发布数据集 特征提取和预处理 要运行文件，请从给定的链接下载堆栈溢出数据集，并将其放置在/ data / user_preprocessing文件夹中。 用户配置文件的特征提取和预处理由feature_extraction_user_a.ipynb和feature_extraction_user_b.ipynb完成。 提取的功能已经在/ data / user_preprocessing文件夹中。 协同过滤模型 要运行文件，请从给定链接下载堆栈溢出数据集和作业发布数据集，并将其放置在/ data / collaborative过滤文件夹中。 运行协同过滤.ipynb，以基于基于内容的建议检查CF建议的输出。 基于内容的过滤模型 为了运行基于内容的过滤模型： 需要安装以下模块spacy nltk sklearn scipy 请下载上面提到的两个

大数据课程课设设计，基于win10，Hadoop2.8.3，python3.6以及MySQL8.0.

说明 本项目为《推荐系统开发实战》一书的演示案例，采用前逐步分离实现，替代使用的是Python的Django框架，前端使用的是Vue，数据库为MySQL，禁止用做商业用户，如有需要联系我授权 注：《推荐系统开发实战》已经在各大电商上线，感兴趣的朋友可以进行关注！ 实现思路 利用网易云API获取部分数据 基于标签进行歌单详情页的推荐，歌曲详情页的推荐，歌手详情页的推荐 基于用户的协同过滤算法给用户推荐用户，个用户推荐歌曲 基于物品的协同过滤算法给用户推荐歌手 基于内容的推荐算法给用户推荐歌单 个性化排行榜 为你推荐（不同用户行为不同看到的为你推荐也不同） 我的足迹，展示用户在站内的行为 初步依赖 Python版本为3.6 Python包和对应的版本在MusicRecSys / MusicRec / z-others / files / requirement.txt文件中 安装依赖为pip

带有MovieLens数据库JavaScript中的推荐系统 用NodeJ构建JavaScript推荐系统。 它使用流行的数据库，其中包含有关电影和用户等级的信息。 推荐器系统实施以下推荐策略： 梯度下降学习的线性回归 基于内容的推荐 协同过滤（CF）推荐 基于项目的CF 基于用户的CF 安装 git clone git@github.com:javascript-machine-learning/movielens-recommender-system-javascript.git cd movielens-recommender-system-javascript npm install npm start 版权2019 rwieruch 特此免费授予获得此软件和相关文档文件（“软件”）副本的任何人无限制地处理软件的权利，包括但不限于使用，复制，修改，合并的权利，发布，

recommend-project:个性化文章推荐系统