CSE523-机器学习-KHVM 一种音乐推荐系统，它使用协作过滤和机器学习算法（例如K近邻和奇异值分解（SVD））根据用户的喜好向用户推荐歌曲。 介绍 Music Recommend系统是一种根据用户的不同选择来预测或过滤偏好的系统，它从用户过去的收听历史中学习，并向他们推荐他们将来可能希望听到的各种歌曲。协作过滤算法可预测（还可以通过收集用户的喜好来过滤用户的品味，并实现来自许多其他用户的品味（协作）。 在项目的第一阶段，我们使用k最近邻算法构建了一个推荐系统，我们的系统还使用了表示均方根误差的RMSE。 对数据集进行预测时存在的误差的标准偏差称为RMSE。 均方根误差（RMSE）是用于确定回归线与数据点的匹配程度的度量。沿着RMSE，我们还应用了奇异值分解（SVD）.SVD是将矩阵分解为奇异向量的另一种方法和奇异值。 SVD通常在机器学习中用作数据缩减工具，并在其他矩阵运算（例如

投资组合问题主要研究如何将有限的资金合理地分配到不同的金融资产中,以实现收益最大化与风险最小化之间的均衡.然而,证券市场往往具有很强的不确定性,投资者对于证券的期望收益率和风险损失率难以用精确数值描述,区间规划则是处理这类不确定性问题的有力工具.鉴于此,首先基于区间多目标规划建立一个以预期收益率、风险损失率和流动性为目标函数的多期投资组合选择模型;然后通过设计一个定向变异算子,改进基于偏好多面体的交互式遗传算法,并将上述算法的运算机制与所建模型的多期特性相结合以求解模型;最后在不确定交互进化优化系统上进行实证分析.实验结果表明,所提出算法能够根据投资者的不同需要得到相应最满意的多期资产组合.

新势能人群休闲娱乐App偏好洞察报告.pdf

品牌成功的秘诀：获取消费者偏好.pdf

在大数据时代，社交网络已成为互联网上人类交流与互动的重要体现。 识别网络中有影响力的传播者，在疾病爆发，病毒传播和舆论控制等各个领域都起着至关重要的作用。 基于这三种基本集中度测度，提出了一种应用偏好关系分析和随机游走技术的综合算法PARW-Rank，用于评估节点影响。 对于每个基本度量，分析网络中每个节点对之间的优先级关系，以构建部分优先级图（PPG）。 然后，通过结合针对三种基本度量的偏好关系来生成综合偏好图（CPG）。 最后，通过在CPG上进行随机游走来确定节点的排名。 此外，使用五个公共社交网络进行比较分析。 实验结果表明，与现有的单一中心测度方法相比，我们的PARW-Rank算法可以实现更高的精度和更好的稳定性。

针对多目标优化过程中如何根据个人偏好确定各目标权重的问题, 提出一种约束优化方法以获得各目标的最佳权重. 首先, 将目标权重计算问题转化为综合适应度最大方差计算问题; 然后, 将个人偏好转化为最大方差问题不等式约束条件; 最后, 利用遗传算法和梯度投影法求解约束优化问题以获得最佳的目标权重. 在电力机车故障维修策略决策过程中应用该算法计算各部件经济性、安全性等目标权重, 实验结果验证了所提出方法能够获得满足个人偏好的最佳目标权重.

电影推荐系统 使用推荐系统算法在Python中实现的应用程序，该算法适用于大数据集。 您应该将.csv文件与一堆电影一起使用，以便在其中进行选择 应用程序输入应与.txt文件中提供的示例相同

基于用户偏好和影响力的推荐算法计算机研究.docx

由于用户评分标准存在差异,基于打分的协同过滤推荐算法在近邻选择过程中存在误差｡针对以上问题,提出考虑用户间消极相似性的排序推荐算法 (NS-TauRank),该算法不经过对拟推荐项目的预测评分过程｡定 义 DP函 数 表 示 项目对相关属性,充分利用用户间的消极相似性,即相似性为负的用户之间的爱好相反,改进目标用户的近邻选择过程,采用舒尔茨方法进行偏好融合,优化目标用户拟推荐项目的排序｡在 Eachmovie和 movielens数据集上对改进算法进行验证,以 NDCG作为评价函数,验证结果表明,该算法在两个数据集上的 NDCG@1-2值较对比算法有4%-7%的提高,产生了更可靠的拟推荐序列｡

Deep Learning for EEG-Based Preference论文原文。在期刊官网也可以免费下载，为方便大家查看上传至此。稍后出一篇关于这篇文献的精读导读。