基于知识图谱的推荐系统项目完整代码 数据集在data文件夹下 数据集为txt模式，分为训练集、验证集以及测试集

基于用户的协同过滤算法音乐推荐系统

Python实现音乐推荐系统【跟着迪哥学python】数据+源代码，需要的自取

70.会员版(2.0)-就业课(2.0)-推荐系统.zip

Movielens.zip

【数据说明】本数据是Twitter用户的信息，包含了用户的属性、社交圈（circles）和egonetwork，数据已被做了脱敏处理。数据共有81306个用户和1768149条连边。 nodeId.edges：用户nodeId的egonetwork中的所有连边，nodeID是此egonetwork的中心节点。Twitter中的朋友关系是有方向的，比如文件中的一行元素为“a b”，就表示a关注了（follow）b，这不意味着b一定关注了a。注：nodeId并不出现在这些连边列表中，但是中心节点nodeId关注了此文件中的所有id。 nodeId.circles：用户nodeId所在的社交圈（circle），以及社交圈内的所有其他成员。每一行数据对应一个社交圈；第一列元素表示社交圈的编号。 nodeId.feat：该文件描述了在对应的nodeId.edges文件中所有出现用户的属性特征。第一列元素是用户id；从第二列开始，对应到不同维度的属性，1表示用户拥有这个属性，0则表示没有。 nodeId.egofeat：用户nodeId的属性特征。 nodeId.featnames：属性特征的名称。提供了属性特征的类别，比如教育信息、生日信息等，但是更详细的信息就被隐藏掉了。 【使用说明】需要引用J. McAuley, J. Leskovec. Learning to Discover Social Circles in Ego Networks. NIPS 2012, pp. 539-547. 【源数据出处】斯坦福大学网络分析平台

数据集 要使用的数据集如下： : 职位发布数据集 特征提取和预处理 要运行文件，请从给定的链接下载堆栈溢出数据集，并将其放置在/ data / user_preprocessing文件夹中。 用户配置文件的特征提取和预处理由feature_extraction_user_a.ipynb和feature_extraction_user_b.ipynb完成。 提取的功能已经在/ data / user_preprocessing文件夹中。 协同过滤模型 要运行文件，请从给定链接下载堆栈溢出数据集和作业发布数据集，并将其放置在/ data / collaborative过滤文件夹中。 运行协同过滤.ipynb，以基于基于内容的建议检查CF建议的输出。 基于内容的过滤模型 为了运行基于内容的过滤模型： 需要安装以下模块spacy nltk sklearn scipy 请下载上面提到的两个

推荐数据集-音乐推荐

这个movie_score_info文件是B站的一位昵称为“末末凉凉”的美女小姐姐做电影推荐系统所缺少的一个文件，文件字段为movieId,score,times，需要的话请自行下载

微博推荐数据集kddcup2012-track1