电影推荐系统 这是一个基于模糊集和遗传算法的电影推荐系统

团体电影推荐系统 在这个项目中，我们为一组用户创建了一个基于矩阵分解的推荐系统。 我们首先对用户电影评级矩阵进行基于随机梯度的矩阵分解，以计算用户和电影因素。 我们生成3个不同大小的用户组。 小型（3名成员），中型（5名成员）和大型（10名成员），并使用以下方法预测小组评分。 我们尝试了3种不同的方法。 分解后：将分解后的用户因子汇总为组因子 在分解之前（BF）：我们将用户的评级汇总到虚拟用户中。 我们通过使用简单的岭回归来计算组因子。 分解前加权（WBF）：与BF相同，只是编号不同。 用户观看的电影总数被作为权重。 我们使用加权岭回归方法解决它。 最后，我们评估我们的项目（获得大约80％的精度） 纸 项目基于以下论文： 数据集 数据集： : 视频 视频： ： 执行依赖 笔记本可以直接运行。 数据集包含在github仓库中。 同样，可以通过以下方式运行python代码：

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

蒸汽镜头 SteamLens是一个基于Flask和gorse的教程Steam视频游戏推荐系统。 用法 下载源 首先，克隆存储库并进入文件夹。 # Download source git clone https://github.com/zhenghaoz/SteamLens.git # Enter source folder cd SteamLens 建立资料库 基于现有的数据集（例如构建重新生成系统是个好主意。 原始数据集非常庞大，我们对15000个用户进行了采样，可在games.csv 。 # Download data wget https://cdn.sine-x.com/bac

使用Apple Turicreate的Steam游戏推荐系统 1.引言 Steam是Valve提供的视频游戏数字发行服务。 它是按玩家群划分的视频游戏发行类型中最大的平台。[1] Steam的用户可以将游戏数字下载到他们的个人资料库中。 可以在用户之间购买和赠送游戏，并且这些游戏将一直保留到用户自己删除为止。 Kaggle完成涉及Steam用户的数据集及其库中的游戏，用于分析。 提供的更多信息是特定用户玩游戏的小时数。 分析的目的是建立一个推荐系统，该系统可以向尚未玩过的其他用户准确地推荐游戏。 2.业务问题 主要问题是-根据用户购买的游戏数量以及玩游戏所花费的时间（以小时为单位），使用推荐系统可以向不同的用户建议哪些不同的游戏？ 本报告旨在对构建推荐系统向具有相似兴趣的用户推荐游戏的分析提出建议。 3.对项目感兴趣的人-目标受众 在这种情况下，目标受众是游戏玩家，他们会根据自己的兴趣

带有MovieLens数据库JavaScript中的推荐系统 用NodeJ构建JavaScript推荐系统。 它使用流行的数据库，其中包含有关电影和用户等级的信息。 推荐器系统实施以下推荐策略： 梯度下降学习的线性回归 基于内容的推荐 协同过滤（CF）推荐 基于项目的CF 基于用户的CF 安装 git clone git@github.com:javascript-machine-learning/movielens-recommender-system-javascript.git cd movielens-recommender-system-javascript npm install npm start 版权2019 rwieruch 特此免费授予获得此软件和相关文档文件（“软件”）副本的任何人无限制地处理软件的权利，包括但不限于使用，复制，修改，合并的权利，发布，

亚马逊产品推荐系统 对可通过获取的Amazon Review数据集执行情绪分析 在线购物遍布整个互联网。 只需单击即可获得我们所有的需求。 最大的在线购物网站是亚马逊。 亚马逊不仅以其多样化的产品而著称，而且以其强大的推荐系统而闻名。 在我们的项目中，我们考虑了服装，鞋子，珠宝和美容产品的亚马逊评论数据集。 我们正在考虑用户对不同产品的评论和评分，以及他/她对产品使用经验的评论。 基于这些输入因素，在预测评论的有用性时进行情感分析。 此外，我们还设计了基于k最近邻的基于项目的协作过滤模型，以找到2个最相似的项目。 使用以下命令将json转换为CSV dataframe = pd.read_json('reviews.json') dataframe.to_csv('reviews.csv', sep=',', index=False) 执行的算法 情绪分析： 推荐系统： k最近邻居