我们将在MovieLens(http://movielens.org)数据集上进行实验，在实验中，我们主要利用到的数据集中的两个文件u.data和u.item，其中u.item中记录的是电影的相关信息，u.data中主要是用户对电影的评分信息，评分的范围是1-5，文件的每一列分别表示用户ID，电影ID，评分，时间戳。
2021-06-30 13:43:36
152KB
1
本文主要介绍基于用户的协同过滤推荐算法的推荐原理、推荐过程、代码实现。
一、基于用户的协同过滤推荐算法推荐原理
基于用户的协同过滤推荐算法是协同过滤推荐算法中最简单、最传统的推荐算法，是根据用户对项目的某一种操作行为，为目标用户找到操作行为相同或者相似的用户，这些操作行为相同或者相似的用户称之为目标用户的近邻用户，然后在这些近邻用户中找出目标用户没有操作行为同时近邻用户同时有操作行为的项目，最后将这些项目推荐给目标用户，作为目标用户感兴趣的项目。
二、基于用户的协同过滤推荐算法推荐过程
基于用户的协同过滤推荐算法推荐过程可分为四个步骤：构建用户-项目操作行为矩阵、计算用户之间似度、得到目标用户
2021-06-25 02:43:43
50KB
1
兴趣点( POI) 的签到数据体现了用户的偏好和兴趣点的分布特征，这在兴趣点推荐领域有极为重要的价值． 为了缓解 数据稀疏造成的推荐不准确等问题，本文提出了融合时间序列的 POI 动态推荐算法，结合用户与用户之间的关系、兴趣点位置 以及流行度信息等． 首先划分时间序列，得到时间因子的相似度;其次时间序列融入到基于用户的协同过滤算法，再根据时间的 连续性特征得到基于用户的预测评分，然后将地理影响因子与基于时间的流行度信息结合，预测用户的评分，进而与基于用户 的评分加权融合;最后，在 Gowalla 数据集上进行实验，结果表明，本文提出的融合时间序列的 POI 动态推荐算法能够有效减小 推荐误差，
2021-06-17 16:24:03
398KB
1
一种结合情绪信息分析的改进协同过滤方法，王汝金，孟祥武，近年来，推荐系统通过挖掘用户与项目（如商品、信息、服务）之间的关联关系辅助用户进行个性化决策，成为缓解
2021-06-15 15:01:01
308KB
1
如今大数据已经成了各大互联网公司工作的重点方向，而推荐系统可以说就是大数据最好的落地应用之一，已经为企业带来了可观的用户流量和销售额。特别是对于电商，好的推荐系统可以大大提升电商企业的销售业绩。国内外的知名电商，如亚马逊、淘宝、京东等公司，都在推荐系统领域投入了大量研发力量，也在大量招收相关的专业人才。打造的电商推荐系统项目，就是以经过修改的中文亚马逊电商数据集作为依托，并以某电商网站真实的业务架构作为基础来实现的，其中包含了离线推荐与实时推荐体系，综合利用了协同过滤算法以及基于内容的推荐方法来提供混合推荐。具体实现的模块主要有：基于统计的离线推荐、基于隐语义模型的离线推荐、基于自定义模型的实时推荐，以及基于内容的、和基于Item-CF的离线相似推荐。整个项目具有很强的实操性和综合性，对已有的大数据和机器学习相关知识是一个系统性的梳理和整合，通过学习，同学们可以深入了解推荐系统在电商企业中的实际应用，可以为有志于增加大数据项目经验的开发人员、特别是对电商业务领域感兴趣的求职人员，提供更好的学习平台。适合人群：1.有一定的 Java、Scala 基础，希望了解大数据应用方向的编程人员2.
2021-06-13 18:04:42
497.74MB
1