这是我参考网上资料后自己写的基于用户的协同过滤算法，包括算法所用到的数据集及相关代码，基于Python实现，代码包含详细解释。

本ppt是关于论文A Hybrid Collaborative Filtering Model with Deep Structure，和协同过滤，自编码器的介绍。

推荐系统是利用 电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

硕士论文，Netflix数据集上的协同过滤算法 硕士论文，Netflix数据集上的协同过滤算法 硕士论文，Netflix数据集上的协同过滤算法 硕士论文，Netflix数据集上的协同过滤算法

基于Django、协同过滤推荐算法的电影推荐系统和论坛，里面富含环境配置、详细技术文档等。源码可直接运行

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

这是我参考网上资料后自己写的基于用户的协同过滤算法，包括算法所用到的数据集及相关代码，基于Python实现，代码包含详细解释。

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,��

：传统的协同过滤推荐技术主要基于用户-项目评价数据集进行挖掘推荐，没有有效地利用用户通信上下文 信息，从而制约其进一步提高推荐的精确性。针对传统协同过滤推荐算法存在的推荐精度不高的弊端，在协同过滤 算法中融入通信上下文信息，引入了通信信任、相似信任和传递信任三个信任度，并提出了一种基于信任的协同过滤 推荐模型。通过公开数据集验证测试，证明提出的推荐算法较传统的协同过滤推荐技术在推荐准确性上有较大提高。