Knowledge-Graph-4-VIS-推荐
论文“ KG4Vis：基于知识图的可视化推荐方法”的实现。 有关此项目的更多详细信息，请访问我们的。
操作说明
在运行之前，请先在下载原始数据然后将.csv文件解压缩到./data中。
提取功能：./ python feature_extraction.py下的python feature_extraction.py 。 我们还提供了提取的功能，以节省时间。 请下载并将.csv文件解压缩到./features。
KG构造和测试生成： python KG_construction.py python test_generation.py下的python KG_construction.py和python test_generation.py test_generation.py。
嵌入学习： ./run.sh运行下./embeddin
2021-12-18 14:27:09
1.84MB
1
推荐已成为几乎所有基于信息和电子商务系统的组成部分。 推荐系统的目标是利用大量信息和产品目录，并根据用户的选择了解用户的偏好，并通过大量产品空间手动推荐他们无法选择的产品。 该领域的研究已经能够识别出各种算法和方法来做出以用户为中心的推荐。 从每个用户的个性化和偏好的角度来看，基于特定任务或产品领域的要求，每种算法都涵盖了一组不同的参数。 本研究论文讨论了各种推荐系统使用的现有方法及其比较，并提出了一种方法，该方法通过使用 Apriori 算法和关联规则来解决构建推荐系统的现有实践的缺点。
2021-12-16 14:43:05
831KB
1
歌曲推荐系统
音乐推荐系统
我们从网上找到两个数据集，一个是用户和音乐的点播数据集，另一个是音乐的详细信息数据集。
利用上述数据，我们可以做一个音乐推荐系统。
在召回阶段，我们尝试了基于排行榜的推荐，基于协同过滤的推荐以及基于矩阵分解的推荐。我们选择矩阵分解来获得召回阶段的结果。
在排序阶段，我们用gbdt + lr的方式来对召回阶段的细分集进行排序。选择打分最高的几个作为最终排序结果。
详细介绍： :
2021-12-16 14:39:40
468KB
1
POI推荐综述，非常好的文章，内容很全面，讲解也很通俗易懂
2021-12-15 14:36:55
566KB
1
人工神经网络
纸质数据和代码
这是AAAI 2019论文： 的代码。 我们已经在Tensorflow和Pytorch中实现了我们的方法。
这是我们在论文中使用的两个数据集。 下载数据集后，您可以将它们放在文件夹datasets/ ：
友情链接： ://2015.recsyschallenge.com/challenge.html
DIGINETICA： ://cikm2016.cs.iupui.edu/cikm-cup或
文件夹datasets/包含一个小的数据集sample ，可用于测试代码的正确性。
我们还写了解释该论文。
用法
您需要先运行文件datasets/preprocess.py来预处理数据。
例如： cd datasets; python preprocess.py --dataset=sample cd datasets; python preproces
2021-12-09 21:29:53
120KB
1
电影推荐
这是使用TMDB Movies API为Android构建的电影推荐应用程序。 用户将根据自己喜欢的电影的选择获得电影推荐。
入门
这些说明将为您提供在本地计算机上运行的项目的副本
先决条件
Android Studio（> v1.4），TMDB电影API-密钥（ ）
注意：TMDB Movies API密钥需要插入对应的strings.xml文件中相应的字符串，该文件位于moviesRecommendation / app / src / main / res / values / strings.xml
配置
该项目是在以下配置下构建的：
compileSdkVersion 23
buildToolsVersion "23.0.2"
defaultConfig {
applicationId "com.example.android.popularmovies"
2021-12-08 21:40:50
110KB
1
对amazon.com recommendation:item-to-item collaborative filtering提到的协同过滤推荐算法进行了实现。文件中ratings.xlsx是数据集，movies.xlsx存储的是电影名字和相应编号，name_index.mat是把movies.xlsx导入matlab后生成的数据文件（有两部分，改了一下名字，在recommendations函数中会用到）。similarity.m是生成各种需要的数据，recommendations.m是产生推荐用的。
2021-12-08 17:16:44
14.75MB
1
Recommendation_System_Test
利用Python实现推荐系统功能
本项目实例预期实现一个电影的推荐系统，数据来源为
运行环境
Windows7x64 + python3.5 + jupyter笔记本
原始码和数据说明
原始码：基于用户的电影推荐系统代码，基于物品的电影推荐系统代码数据：data / ml-100k.zip（解压后获得本实例用到的u.data和u.item两个文件） Base_User.ipynb主要实现的是基于用户相似度的推荐，依据信息是多个用户对同一部电影的评分，即用户间的交集，交集越多越容易推荐Base_Item.ipynb主要实现的是基于电影相似度的推荐，依据信息是同一个用户所有看过的电影的属性及评分，来实现在其他该用户没看过的电影中推荐他可能喜欢的电影其中相似度参数分为欧式距离和皮尔逊系数，在本实例中分别作了定义和计算u.item中的类似| 0
2021-11-30 16:50:17
4.74MB
1