人工智能-项目实践-推荐算法-基于豆瓣电影用户数据使用Canop+K-means聚类实现的协同过滤推荐算法
2022-06-27 13:05:21
57.63MB
本资源是推荐系统中最基本且最精但的协同过滤推荐算法实现，包括数据集，以及算法的评价指标MAE的计算，数据集采用MovieLens中两个数据集进行测试，需要别的数据集可以根据自己需要添加，只需修改Base.java文件中的配置即可，本程序配备一个readme文件，里面有程序的运行介绍，程序注释详细，希望对大家有帮助。
2022-05-23 14:46:28
550KB
1
人工智能-项目实践-推荐算法-基于implicit库的常用协同过滤推荐算法实现
Implicit是一个开源的协同过滤项目，其包含多种流行的推荐算法，主要应用场景是针对隐性反馈行为进行推荐。包含的算法主要有：
ALS（alternating least squares），最小交替二乘法
BRP（Bayesian Personalized Ranking），贝叶斯个性化排序
Logistic Matrix Factorization
使用Cosine, TF-IDF 或 BM25的近邻模型
2022-05-22 19:07:59
38KB
java协同过滤算法，不依赖第三方库，包含基于内容推荐、基于用户推荐，方便扩展。
2022-05-02 10:58:31
5KB
1
MovieRecommender基于Mahout实现协同过滤推荐算法的电影推荐系统^
2022-04-22 10:26:50
18.39MB
1
MovieRecommendation
基于Python3，实现电影推荐系统，数据集是MovieLens官方数据集【见data.txt】
基于用户的协同过滤算法UserCF，UserCF的思想见博客：
基于项目的协同过滤算法ItemCF
关于推荐系统的介绍见博客：
2022-04-19 09:39:51
35KB
1
目前商用的推荐机制都为混合式推荐，将用户属性、项目属性、用户操作行为、聚类算法、基于用户、基于项目、基于内容等混合推荐。本文主要介绍混合推荐的推荐原理、推荐过程、代码实现。
一、基于用户/项目的混合协同过滤推荐算法推荐原理
混合推荐可使用的数据包括：
1、用户属性：用户位置、用户性别、用户年龄等属性信息；
2、项目属性：项目类别、项目添加时间、项目内容等属性信息；
3、用户操作行为：用户评分、收藏记录、浏览记录、观看时长、购买记录等操作行为；
混合推荐方法可以是先将数据进行聚类（用户聚类、项目聚类等），可进行多次聚类，聚类算法常用的有KMeans聚类、Canopy聚类、KMeans+Canop
2022-03-16 14:58:10
44KB
1