本文介绍了知识图谱在推荐系统中的应用。推荐系统如何提供个性化推荐并提高推荐的准确度和用户满意度是当前研究的主要问题。知识图谱的出现为推荐系统的改进提供了新的途径。本文研究了知识图谱近年来在推荐系统中的应用，包括知识图谱的构建、知识图谱的表示学习、基于知识图谱的推荐算法等。最后，本文总结了知识图谱在推荐系统中的应用现状和未来发展方向。

动漫推荐系统（ARecSys） 配置并启动项目 要求： Postgres == 9.6 创建环境conda create -n ARecSys python=3.6 安装要求pip install -r requirements.txt 创建ARecSys/local_settings.py基于ARecSys/local_settings.py.sample 设置Postgres [数据库]（＃Setting-up数据库） ./manage.py makemigrations && ./manage.py migrate ./manage.py runserver 导航到http://localhost:8000 设置数据库 启动postgres sudo -su postgres 启动PSQL psql CREATE USER anime WITH PASSWORD '

一、绪论 1.1课题研究背景及意义 1.1.1研究背景 1.1.2研究意义 1.2国内外研究现状 1.2.1推荐系统研究现状 1.2.2健康饮食数据研究现状 二、相关技术及原理 2.1推荐系统 ……

1.做一个健康管理与运动推荐的微信小程序 2.用户需要输入姓名，生日，性别，年龄等信息进行注册 3.注册要有验证码验证 4.登陆时也要有验证码验证，输入账号密码登录，也要有密码找回功能 5.登陆后有以下几个功能： （1）健康评估（通过一些数据例如心率，血压等等 （2）食物管理 包含食物列表、食物详情、食物搜索以及食物推荐 （4）电子病历： 电子病历可以给用户记录和查看自己记录的疾病信息 （5）医生和医院功能: 主要可以查询医院信息和医生信息，医院信息和医生信息通过科室信息相互关联 （6）经期设置和经期记录： 经期记录主要适用于女性经期的预测和记录，需要通过用户进行经期设置然后进行预测，部分功能模仿大姨妈这个APP （7）体质信息和体质报告： 体质报告可以通过用户设置的基本的体质信息来生成用户的健康报告（年龄，身高，体重，三围等等） （8）用户模块 个人中心 （9）资讯模块： 包含资讯列表和详情 （10）健康计算模块： 包含BMI计算、BNI计算、BMD计算、BFR计算 （11）体重记录和腰围记录模块： （12）客服模块 （13）运动推荐模块

上下文感知推荐系统研究，可用于快速了解基于上下文感知的推荐系统的基本算法和原理

基于python lstm flask 搭建的豆瓣电影推荐系统. 完整代码+论文 +ppt 毕业设计基于python lstm flask 搭建的豆瓣电影推荐系统. 完整代码+论文 +ppt 毕业设计基于python lstm flask 搭建的豆瓣电影推荐系统. 完整代码+论文 +ppt 毕业设计

用户注册/登录/退出，爬取一两万个电影数据数据，存储电影数据，存储用户和演员数据，计算电影模型，根据点击率预估算法和基于物品和用户的协同过滤算法等计算用户可能感兴趣的电影，展示用户可能喜欢的电影，具有选择用户……

一、开发技术 pycharm、MySQL数据库/sqlite3数据库、Python3.x版本、Django框架 二、说明 基于用户画像以及协同过滤的音乐推荐系统（UserProfile_MusicRecommend） 1.将基于用户的协同过滤算法与用户画像 相结合进行推荐，提高推荐列表数据的成熟度。 2.系统在Windows平台上搭建，采用Python3实现各项功能；采取MySQL/sqlite3进行数据的存储，通过Django框架连接系统的前、后端。 3.使用的数据集为kaggle平台上kkbox举办的—KKBox's Music Recommendation Challenge比赛的公开数据集（数据集采用公开数据集Last.fm Dataset-360K Users数据集），kkbox是亚洲领先的音乐流媒体服务提供商，拥有世界上最全面的亚洲流行音乐库，拥有超过3000万首音乐曲目。 4.针对数据集使用SVD矩阵分解进行相似相关度的计算分析，根据已有的评分情况， 分析出评分者对各个因子的喜好程度以及歌曲包含各个因子的程度，最后再反过来根据分析结果预测评分，根据评分的结果

针对网络视频元数据信息缺失严重和多媒体数据本身特征难以提取等问题，提出了融合评论分析和隐语义模型的网络视频推荐算法。从视频评论入手，通过分析用户对不同视频的评论内容以判断其情感倾向并加以量化，继而构建用户对项目的虚拟评分矩阵，弥补了显式评分数据稀疏性问题。考虑到网络视频的多元性和高维度特性，为了深度挖掘用户对网络视频的潜在兴趣，针对虚拟评分矩阵采用隐语义模型( LFM) 对网络视频分类，在传统的用户—项目二元推荐系统基础之上添加虚拟类目信息以进一步发掘用户—类目—项目关联关系。实验在多重标准下进行，对 YouTube 评论集的实验表明，所提推荐方法获得了较高的推荐精度。

基于知识图谱的学习评价与推荐系统设计与实现.pdf