推荐算法入门系列，对推荐算法综述做的一个ppt，浅显易懂

average_code [计算平均值]可用于用户抢红包等 1: red_envelope_code [二倍均值法] 可用于用户抢红包等 wheel_timer [时间轮]可用于定时任务 1: simple_timing_wheel [简单时间轮（Simple Timing Wheel）] bloom_filter_code [布隆过滤器] 1: bloom 布隆过滤器 consistent_hash_code [一致性Hash算法] 1: consistent 一致性Hash算法 leet_code [leet_code刷题] 1: leet_code刷题 heap [堆] 1: max_heap_test 大顶推 2: min_heap_test 小顶堆 linked_list [链表] 1: cycle_list 循环链表 2: dou

基于对抗自编码器的标签推荐算法，高悦，禹可，为解决标签推荐系统面临的数据稀疏和冷启动的问题,本文提出使用对抗自编码器(Adversarial Autoencoder, AAE)探索大规模标签推荐数据集上的�

飞猪旅行推荐算法应用和创新 飞猪旅行推荐算法应用和创新 飞猪旅行推荐算法应用和创新

做推荐系统大作业的时候开发的一个系统，可以直接跑，代码注释很全面

是一个基于社交网络的推荐算法的总结和阐述，包含了一些算法

该压缩文件包括，从零开始搭建音乐推荐系统 模型构建与算法调参（建模与评估方法） 基于movielens数据集的推荐预测 基于网易云音乐数据的推荐预测 word2vec 和Song2vec实现 冷启动与用户兴趣预测问题 基于Spark推荐系统实现

操作说明： 1、解压下载的CollaborativeFilteringBasedItem压缩文件 2、操作系统中需装java jdk1.7或者以上版本 3、点击start.bat，在运行过程中，输出推荐结果和mae值

随着微博用户数量的上升，微博信息量成倍增长，基于冗杂的微博信息向微博用户快速推荐感兴趣的好友是不容 回避的技术问题。针对这一问题，基于微博大数据，以Hadoop 为平台，HBase为基础，MapReduce为编程框架，提出了基于Apriori算法与 Item-based协同过滤算法的组合算法，并构建了推荐好友系统。该系统通过Apriori算法对冗杂的微博内容 记录进行频繁项集的计算，得出能表达用户喜好的标签，以提升系统的时间性能;通过Item-based算法对标签进行匹配推 荐，以缩短系统的推荐时间以及资源占用率。为了验证所构建系统的有效性和可靠性，分别进行了两组对比实验，第一组 实验为添加了Apriori算法的协同过滤算法与传统协同过滤算法在时间性能方面的对比测试，第二组实验则为Apriori算法 混合Item-based协同过滤算法与混合K-means 算法的对比测试。实验结果表明，在庞大的微博容量下，与传统协同过滤 算法相比，所提出算法的运行时间缩短了24%～44%;与混合 K-means 聚类算法相比，所提出算法在算法运行时间和CPU占用率均有1.2～1.5倍的提升。可见，提出

一种基于标签改进的协同过滤推荐算法，刘金鑫，张成文，为解决传统协同过滤算法存在的数据稀疏性问题以及用户模型过于简单对推荐质量造成的负面影响，本文在传统协同过滤算法的基础上,��