###电影推荐系统（MovieLen） 运行Python3 download_dataset.py以下载movielens数据集 运行Python3 usercf.py以运行基于用户的协作过滤算法 运行Python3 itemcf.py以运行基于项目的协作过滤算法 运行Python3 dl/trainer.py训练深度学习模型并进行测试

芒垣 欢迎来到芒垣！ 该自述文件也提供。 从这里做什么？ 漫画和动漫的AI 于2018年7月在洛杉矶动漫博览会上。 地球上的Mangaki（MoE）：可视化动画嵌入 请参阅 我们地图 浏览。 安装Mangaki 数据库设置 您需要在计算机上运行PostgreSQL> 9.3。 您还需要一个有权访问数据库的用户。 最简单的方法是创建一个与您的用户名同名的帐户，该帐户可以创建数据库，并且是超级用户（用于CREATE EXTENSION）： sudo -u postgres createuser --superuser --createdb $USER 然后创建数据库，并添加所需的扩展名： createdb mangaki psql -d mangaki -c \ "create extension if not exists pg_trgm; \ creat

时尚推荐系统

随着社交网络应用的发展，微博客已成为我们日常生活中必不可少的在线交流网络。 对于微博用户而言，推荐高质量的信息是一项苛刻的服务。 一些微博服务鼓励用户使用标签来注释自己，这些标签用于描述他们的兴趣或属性。 但是，很少有用户愿意创建标签，并且可用标签未被完全利用来推荐微博。 此外，微博中的关注/追随者关系是不对称的，不仅可以用于与朋友或熟人交流，还可以用于获取有关特定主题的信息。 到目前为止，还没有采用上述所有信息的微博推荐算法。 本文旨在研究一个联合框架，将标签相关性和用户社交关系相结合，以进行微博推荐。 我们的方法通过用户的个人标签和社交关系来识别用户的兴趣。 更具体地，建立用户标签检索策略以为没有标签或具有很少标签的用户添加标签，然后建立用户标签矩阵，然后获得用户标签权重。 为了解决矩阵稀疏的问题，研究了标签之间的内部和外部相关性，以更新用户标签矩阵。 考虑到用户社交关系对微博推荐的重要性，构建了用户-用户社交关系相似度矩阵。 此外，开发了一种迭代更新方案来获得最终的标签-用户矩阵，以计算微博和用户之间的相似度。 我们通过在真实的微博数据集上进行实验来说明算法的功能。 实验结果表明

电影推荐系统 在Python中使用机器学习（也包括K-Means聚类）实现

Price-prediction-and-recommendation-of-second-hand-housing-in-Shanghai Price prediction and recommendation of second-hand housing in Shanghai（上海地区二手房价格预测及推荐） 先上系统运行的截图： 1、本系统为本人读研数据课课程project。 2、本系统主要功能：爬取链家上海地区二手房信息，使用postgresql的机器学习库MADlib，采用KNN算法对用户输入的需求信息预测房价及推荐五个相似房源。 3、开发环境：centos7 64位、PostgreSQL9.5、MadLib1.13、pgAdmin4.2、Python2.7（web部分）、python3.6（数据爬取及处理部分） 本系统web显示界面在好友蒋雯协助下完成，其他工作由我完成。 da

Datawhale learning dataset articles.csv testA_click_log.csv train_click_log.csv articles_emb.csv

NCF-MF推荐 分别使用传统方法（KNN，SVD，NMF等）和深度方法（NCF）和深度方法（NCF）来预测等级。推荐系统。 需求 张量流 凯拉斯 惊喜 任务 首先，下载yelp数据集（接入，未提供），进行数据分析和处理工作。提取yelp数据集中我们需要的部分，即多伦多地区的评论信息（用户项目评级评论文本）。rating.csv和rating -text.csv（按住，未提供）。之后，分别使用传统方法和深度方法进行评分预测和评估指标的计算。 文件结构 yelp_data_analysis.ipynb：数据下载中，数据分析，数据处理部分。 rating.csv：保存好的数据。 yelp_mf_recomendation.ipynb：利用多种传统方法进行推荐的评分预测以及模型评估。 yelp_nn_recomendation.ipynb：利用NCF神经协同过滤方法进行推荐的评分预测以及模

医院推荐系统 安装 使用软件包管理器进行安装 安装所需的软件包 pip install -r requirements.txt （这将安装此应用程序中使用的所有软件包） 运行应用 要运行该应用程序： 开启应用程式资料夹 在该文件夹上打开CMD / PowerShell（在Windows Shift +右键单击上） 将以下命令粘贴到CMD / PowerShell上 streamlit run " Hospital_Recommender.py " 在浏览器上观看应用

GraphRec_PyTorch GraphRec模型的PyTorch实现（Fan，Wenqi等人，“用于社交推荐的图神经网络。”万维网会议，ACM，2019年）。 用法 从requirements.txt文件安装所需的软件包。 pip install -r requirements.txt 预处理数据集。 应在数据集的相应文件夹中生成两个名为数据集和列表的pkl文件。 python preprocess.py --dataset Ciao python preprocess.py --dataset Epinions 运行main.py文件来训练模型。 您可以通过命令行配置一些训练参数。 python main.py 运行main.py文件以测试模型。 python main.py --test