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。

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

Recommender-System A developing recommender system, implements in tensorflow 2. Dataset: MovieLens-100k, MovieLens-1m, MovieLens-20m, lastfm, Book-Crossing, and some satori knowledge graph. Algorithm: UserCF, ItemCF, LFM, SLIM, GMF, MLP, NeuMF, FM, DeepFM, MKR, RippleNet, KGCN and so on. Evaluation: ctr's auc f1 and topk's precision recall. Requirements Python 3.8 Tensorflow 2.3.2 Run Open parent

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。

基于用户的协同过滤推荐系统 实现一个简单的基于用户的协作过滤推荐系统，以使用给定的数据预测商品的评分。 该预测将使用k个最近邻居和Pearson相关进行。 最后，使用最近的k个邻居的相似性，预测给定用户对新商品的评分 评分文件格式 输入文件每行包含一个评分事件。 每个分级事件的形式为：user_id \ trating \ tmovie_titleuser_id是仅包含字母数字字符，连字符和空格（无制表符）的字符串。 等级是浮动值0.5、1.0、1.5、2.0、2.5、3.0、3.5、4.0、4.5和5.0之一。 movie_title是一个字符串，其中可能包含空格字符（以分隔单词）。 三个字段（user_id，评价和movie_title）由单个制表符（\ t）分隔。 输入 python Subramanya_Suhas_collabFilter.py rating-datas

基于物品的协作过滤推荐算法 Item-Based Collaborative Filtering Recommendation Algorithms.pdf

Neural Collaborative Filtering这篇论文的Neural matrix factorization模型，模型的参数可以自行调整。

An AP-Based Shilling Attack Detector for Collaborative Filtering Recommendation Systems

Item based collaborative filtering recommendation algorithms 协同过滤推荐算法的基础论文