该算法是个性化推荐算法中基于用的协同过滤算法，主要是将相似用户的兴趣项目推荐给目标用户，算法中包括相似度判断（余弦相似度算法实现）、随机数的产生等实用算法。该算法是以VS 2010为开发平台，采用C#为后台语言开发的。

基于项目（Item-based）协同过滤算法源码 可用于个性化推荐 参加卓越亚马逊商品推荐

系统功能模块划分和说明 一、用户登陆注册模块 二、音乐分类管理 三、音乐管理 四、音乐收藏管理 五、角色管理 六、系统管理 七、个人信息管理 八、推荐模块 协同过滤推荐算法 协同过滤常常被用于分辨某位特定顾客可能感兴趣的东西，这些结论来自于对其他相似顾客对哪些产品感兴趣的分析。协同过滤以其出色的速度和健壮性，在全球互联网领域炙手可热。 协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用 户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。 与传统文本过滤相比，协同过滤有下列优点: （1）能够过滤难以进行机器自动基于内容分析的信息。如艺术品、音乐; （2）能够基于一些复杂的，难以表达的概念（信息质量、品位)进行过滤; （3）推荐的新颖性。 正因为如此，协同过滤在商业应用上也取得了不错的成绩。Amazon，CDNow，MovieFinder，都采用了协同过滤的技术来提高服务质量。 缺点是: （1）用户对商品的评价非常稀疏，这样基于用户的评价所得到的用户间的相似性可能不准确（即稀疏性问题）; （2）随着用户和商品的增多，系统的性能会越来越低; （3）如果从来没有用户对某一商品加以评价，则这个商品就不可能被推荐（即最初评价问题）。 因此，现在的电子商务推荐系统都采用了几种技术相结合的推荐技术。

基于协同过滤算法的电子商务网站个性化推荐系统设计 基于协同过滤算法的电子商务网站个性化推荐系统设计 基于协同过滤算法的电子商务网站个性化推荐系统设计

基于Mahout实现协同过滤推荐算法的电影推荐系统

基于用户的协同过滤算法的电影推荐（稀疏矩阵）含代码和Netflix数据（800万+条，分测试集和数据集），博客中有讲解

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

基于用户的协同过滤算法音乐推荐系统

这是我本科毕业做的毕设系统，其中包含了所有的文档，从开题报告、中期检查报告、三稿论文、知网查重、毕设答辩等。虽然水平一般般，但都是我辛辛苦苦自己敲打出来的。

商品实时推荐系统 1.系统架构v2.0 1.1系统架构图 1.2模块说明 a。在日志数据模块（flink-2-hbase）中，又主要分为6个Flink任务： 用户-产品浏览历史->实现基于协同过滤的推荐逻辑 通过Flink去记录用户浏览过这个类目下的某些产品，为后面的基于项目的协同过滤做准备实时的记录用户的评分到Hbase中，为后续离线处理做准备。 数据存储在Hbase的p_history表 用户-兴趣->实现基于碱性的推荐逻辑 根据用户对同一个产品的操作计算兴趣度，计算规则通过操作间隔时间（如购物-浏览实现基于标签的