基本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
2021-12-30 16:26:21
559KB
1
为解决协同过滤算法中的数据稀疏性问题，提出了一种改进的协同过滤算法。该算法使用slope-one算法计算出来的评分预测值来填充评分矩阵中的未评分项目，然后在填充后的用户—项目评分矩阵上通过基于用户的协同过滤方法给出推荐。利用slope-one算法计算出来的评分预测值作为回填值，既能降低评分矩阵的稀疏性，也保证了回填值的多样性，从而减少均值、中值等单一填充值造成的推荐误差。在MovieLens-1M数据集上对该改进算法和协同过滤算法及均值中心化处理的算法作五折交叉实验，结果表明，基于评分预测值填充数据后的协同过滤算法有效地缓解了数据稀疏性问题，并且有更好的推荐效果。
2021-12-27 21:40:19
1.08MB
1
机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究生, 以及具有类似背景的对机器学 习感兴趣的人士. 为方便读者, 本书附录给出了一些相关数学基础知识简介. [1]
2021-12-23 18:06:14
640KB
1
Python基于协同过滤算法进行电子商务网站用户行为分析及服务智能推荐：
1.项目背景
2.项目目标
3.项目流程说明
4.项目步骤与流程
5.数据获取
6.探索性数据分析
7.数据预处理
8.构建智能推荐模型
9.模型评价
2021-12-17 18:02:25
230.05MB
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。
2021-12-08 15:20:17
521KB
1
movie
基于协同过滤算法的电影推荐系统
运行方式
1.创建一个application.properties文件，配置相关数据库信息，主要内容如下：
hibernate.dialect=org.hibernate.dialect.MySQLDialect
driverClassName=com.mysql.jdbc.Driver
validationQuery=SELECT 1
jdbc_url=jdbc:mysql://your_ip/movie?useUnicode=true&characterEncoding=UTF-8&zeroDateTimeBehavior=convertToNull
jdbc_username=username
jdbc_password=password
hibernate.hbm2ddl.auto=update
hibernate.show_sql=tr
2021-12-01 15:04:06
2.21MB
1
基于MapReduce实现物品协同过滤算法（ItemCF）
具体参考
补充：hadoop三种执行方式
MR执行环境有两种：本地测试环境，服务器环境
本地测试环境(windows)：
在windows的hadoop目录bin目录有一个winutils.exe
1、在windows下配置hadoop的环境变量
2、拷贝debug工具(winutils.ext)到HADOOP_HOME/bin
3、修改hadoop的源码 ，注意：确保项目的lib需要真实安装的jdk的lib
4、MR调用的代码需要改变：
a、src不能有服务器的hadoop配置文件
b、在调用是使用：
Configuration config = new Configuration();
config.set("fs.defaultFS", "hdfs://node7:8020");
config.set
2021-11-22 14:41:03
60KB
1