基于协同过滤技术的图书推荐系统研究，基于协同过滤技术的图书推荐系统研究_杨永权_61_65.caj

基于机器学习中推荐系统的经典电影数据集 。常用数据集 电影推荐系统数据集地址 基于用户的协同过滤，基于物品的协同过滤

基于用户CF协同过滤算法matlab代码.pdf

基于差分隐私的协同过滤推荐系统的设计与实现.pdf

verhulst模型matlab代码快速开始： 为 SGD+ 模型运行python train.py ，为具有神经后处理的模型运行python train.py python train.py --model=SGDnn 。 提交文件将写入提交文件夹。 协同过滤 推荐系统关注呈现用户可能感兴趣的项目（例如亚马逊上的书籍、Movielens 上的电影或 lastFM 上的音乐）。 在协同过滤中，我们的推荐基于用户对其他项目的（已知）偏好，并考虑其他用户的偏好。 资源 所有必要的资源（包括训练数据）均可在 训练数据 对于这个问题，我们已经获得了 10000 个用户对 1000 个不同项目的评分。 所有评级都是 1 到 5 星之间的整数值。 评估指标 您的协同过滤算法将根据以下加权标准进行评估： 预测误差，由均方根误差 (RMSE) 衡量 代码用法： usage: train.py [-h] [--submission SUBMISSION] [--model MODEL] [--cv_splits CV_SPLITS] [--score_averaging SCORE_AVERAGING]

本资源是推荐系统中最基本且最精但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，需要别的数据集可以根据自己需要添加，只需修改Base.java文件中的配置即可，本程序配备一个readme文件，里面有程序的运行介绍，程序注释详细，希望对大家有帮助。

人工智能-项目实践-推荐算法-基于implicit库的常用协同过滤推荐算法实现 Implicit是一个开源的协同过滤项目，其包含多种流行的推荐算法，主要应用场景是针对隐性反馈行为进行推荐。包含的算法主要有： ALS（alternating least squares），最小交替二乘法 BRP（Bayesian Personalized Ranking），贝叶斯个性化排序 Logistic Matrix Factorization 使用Cosine, TF-IDF 或 BM25的近邻模型

这是我参考网上资料后自己写的基于用户的协同过滤算法，包括算法所用到的数据集及相关代码，基于Python实现，代码包含详细解释。

人工智能-机器学习-融合移动用户社会化关系的协同过滤推荐方法研究.pdf

本次测试基于MovieLens数据集实现的基于物品的协同过滤，目前只是在小样本上实现，主要问题是计算太耗内存，后期代码继续优化与完善。 数据集说明：movies.dat中数据是用户对电影的评分。数据格式：UserID::MovieID::Rating::Timestamp。 代码 import pandas as pd import numpy as np import math import os import time import datetime os.chdir(r'f:\zxx\pthon_work\CF') def loadData(): #读入movies.dat, r