前台（小程序）： 用户：授权、登录、收藏商品。 商品：创建编辑、上架下架、删除、搜索、商品分类，有推荐商品页面。 订单：创建订单、查看订单、取消订单、搜索订单 购物车：添加商品到购物车、移除购物车内的商品。 评论：发布评论、修改评论 后台：（电脑端） 用户：查看用户、用户列表 商品：编辑商品、上架下架、删除、搜索 商品类别管理：商品类别的增、删、查 订单管理：查看订单、删除订单、修改订单 评论管理：查看评论、删除评论

建模用户的长期和短期兴趣对于准确的推荐至关重要。然而，由于没有手动标注用户兴趣的标签，现有方法总是遵循将这两个方面纠缠在一起的范式，这可能导致推荐准确性和可解释性较差。在本文中，为了解决这个问题，我们提出了一个对比学习框架，以将推荐的长期和短期兴趣（CLSR）与自我监督分开。具体来说，我们首先提出了两个独立的编码器来独立捕获不同时间尺度的用户兴趣。然后，我们从交互序列中提取长期和短期兴趣代理，作为用户兴趣的伪标签。然后设计成对对比任务来监督兴趣表示与其相应兴趣代理之间的相似性。最后，由于长期和短期利益的重要性是动态变化的，我们建议通过基于注意力的网络自适应地聚合它们进行预测。我们对电子商务和短视频推荐的两个大规模真实数据集进行了实验。经验结果表明，我们的 CLSR 始终优于所有最先进的模型，并有显着改进：GAUC 提高了 0.01 以上，NDCG 提高了 4% 以上。进一步的反事实评估表明，CLSR 成功地实现了长期和短期利益的更强解耦。

采样的movielens数据集，一般用来推荐模型中的测试。标椎格式txt可以尝试下自己的新模型，这种数据一般用于有评分数据的模型，用于矩阵分解之类的模型。如果是点击与否的模型则不适用。推荐算法模型可以查看我的相关博文，关注即可。多谢点赞。也可以加群获取更多资讯。群里有各种大佬，都是算法专家。

电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据；电影推荐算法数据，电影推荐LFM数据

文章主要是介绍今日头条的推荐算法的核心实现，是一篇不错的文章，推荐给大家

使用Scala语言写的一些spark的协同过滤算法，参考使用

推荐_《论创新设计》.pdf

面向排序的个性化推荐算法研究与实现.pdf

面向电子商务的协同过滤推荐算法与推荐系统研究.pdf

用户兴趣模型及实时个性化推荐算法研究.pdf