包含项目完整源代码和电影数据集，代码大部分标有注释。 内附答辩PPT和项目文档以及操作说明文本。

基于蚁群模糊聚类的协同过滤推荐算法.pdf

结合用户聚类和项目类型的协同过滤算法.pdf

基于信任和图聚类的协同过滤推荐算法.pdf

基于Hadoop平台的聚类协同过滤推荐方法研究.pdf

基于深度学习的协同过滤推荐模型.pdf

神经图协同过滤 这是我对本文的PyTorch实现： 王翔，何湘南，王萌，冯福利和蔡达生（2019）。 神经图协同过滤， 或。 在SIGIR'19，法国巴黎，2019年7月21日至25日。 TensorFlow实现可以在找到。 介绍 我的实现主要是指原始的TensorFlow实现。 它具有与原始项目一样的评估指标。 这是Gowalla数据集的示例： Best Iter=[38]@[32904.5] recall=[0.15571 0.21793 0.26385 0.30103 0.33170], precision=[0.04763 0.03370 0.02744 0.02359 0.02088], hit=[0.53996 0.64559 0.70464 0.74546 0.77406], ndcg=[0.22752 0.26555 0.29044 0.30926 0.32406]

毕业设计-基于Django的电影推荐系统和论坛 说明 新手建议结合pycharm使用， //www.jetbrains.com/pycharm/ 注册普通用户通过web界面来设置，创建用户通过creeatsuperuser创建。 导入电影信息通过insert_movies_script.py来操作（会删除现有的所有信息！） 前端展示浏览最多，评分最多，收藏最多，写的比较直白，你可以改的委婉点：最热电影，火爆排行...之类的。至少有10条。 我猜你喜欢为基于用户推荐，item推荐为基于项目推荐。 系统采用的技术 前端：bootstrap3 css框架前端：django 2.2.1 + sqlite3数据库（MVC框架）数据：python异步爬虫从豆瓣top250抓取数据，保存到本地csv文件中的主要功能：录入图书信息，用户打分，电影标签分类，采用电影模板，前端页面通过django模板模板

基于协同过滤的电影推荐系统。源码可直接运行。可用于java课程设计，毕业设计等等。

基于KMeans聚类的协同过滤推荐算法可运用于基于用户和基于项目的协同过滤推荐算法中，作为降低数据稀疏度和提高推荐准确率的方法之一，一个协同过滤推荐过程可实现多次KMeans聚类。 一、基于KMeans聚类的协同过滤推荐算法推荐原理 KMeans聚类算法是聚类算法中最基础最常用、最重要的聚类算法。KMeans聚类算法首先需要确定N个初始中心点，初始中心点的选择对聚类结果影响很大，常用的初始中心点的选择有随机选择、自定义、采用Canopy聚类算法结果作为初始中心点，然后是重复遍历点与簇中心的距离，并不断修正簇中心点，可设置遍历次数和点与簇中心的最小距离影响聚类结果。 聚类的数据可以是一维数组、二