协同绘图 一个可以让多个人聚在一起的应用程序 此应用程序使用websocket，节点，猫鼬和HTML5 canvas标签。 用户可以实时在同一画布上绘制，选择不同的绘制颜色和画笔大小，然后重置画布。 在绘图过程中加入的新用户可以看到进行中的绘图。

伯乐（RecBole） “世有伯乐，然后有千里马。千里马常有，而伯乐不常有。”-韩愈《马说》 | | | RecBole是基于Python和PyTorch开发的，用于在统一，全面，高效的框架中再现和开发推荐算法，以用于研究目的。 我们的库包含65种推荐算法，涵盖了四个主要类别： 一般建议 顺序推荐 情境感知推荐 基于知识的推荐 我们设计了统一而灵活的数据文件格式，并为28个基准推荐数据集提供了支持。 用户可以应用提供的脚本来处理原始数据副本，或者简单地由我们的团队下载处理后的数据集。 图片：RecBole总体架构 特征 通用和可扩展的数据结构。 我们设计通用和可扩展的数据结构，以统一

毕业设计--基于Django的图书推荐系统和论坛 feature 登录注册页面 基于协同过滤的图书的分类，排序，搜索，打分功能 基于协同过滤的周推荐和月推荐 读书分享会等活动功能，用户报名功能 发帖留言论坛功能 fixed 首页导航栏链接错误 首页面为空 登录注册页面 推荐跳转登录 周推荐用户没有评分时随机推荐 按照收藏数量排序 重新设计了 action 和UserAction model，拆分出了UserAction 书模型 浏览量 每次刷新页面的浏览数 收藏量 user manytomany field 每个用户收藏一次 评分 rate 每个用户评分一次 在书籍下面的评论加点赞功能 注册和登录 推荐 论坛 周推荐 安装运行方法 pip install -r requirements.txt python manage.py runserver

协同过滤的实现 是某些使用的一种技术。 是协作过滤的Python实现。 用法 跑： > python main.py 注意： Python版本：3.5.1 所需模块：Numpy，Pandas，Matplotlib 需要首先下载数据集并将其放在dataset/文件夹中。 或者，您可以查看 而无需下载数据集。 数据集 ，100K数据集 报告 是该报告的pdf版本。 文件树 Python files: ├── main.py # Main python file including training and testing. ├── predict.py # Predict functions. ├── utils.py # Some useful functions, including calculating. ├── var.py # Define global

电影推荐系统 推荐系统（Java，Apache Spark） 在电影镜头1M数据集上使用Apache Spark的交替最小二乘（ALS）算法实施（来自6000名用户的4000个电影的100万评级）实现了协同过滤–模型预测的均方误差（MSE）为0.72，每个用户10条电影推荐。

基于内存的协作过滤 包含基于用户的CF（ ），基于项目的CF（ ）健壮的k近邻推荐系统在Python中使用MovieLens数据集 基于用户的协作过滤器 K = 25运行时间：1s RMSE：0.940611 MAE：0.884748。 基于内存的算法易于实现，并且可以产生合理的预测质量。 基于内存的CF的缺点在于，它无法适应实际情况，也无法解决众所周知的冷启动问题，即当新用户或新项目进入系统时。

SIGMOD2020 论文“Recommending Deployment Strategies for Collaborative Tasks”的翻译，该翻译为较小粗粒度的翻译，大概达到原文意思的90%

欣灌费研仍在继续，不能返校只好在家做毕设，毕设的内容是利用地泼雷妞技术优化推荐算法。 悲剧的是地泼雷妞不会，推荐系统算法也不懂，包含推荐系统的东西倒是用过不少（某宝，某东，某音）。 只好从最基础的开始学，先学推荐算法。 打开Microsoft Edge,搜索推荐系统总结，得到该文章《推荐系统干货总结》，如获至宝。 文章中推荐了一本书《推荐系统实践》，我决定先从这本书开始。 电子书链接：https://pan.baidu.com/s/12BPDnGPe7jgXlqTXgT8i1g ，提取码：mnve  本文是我的学习笔记，对应此书2.4.1小节， 原理就不介绍了，直接上数据集和代码。 不懂原理的

Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering