更新日志 2018-6-17更新推荐方法接口 一个简单的电影推荐系统。 目录 ：模型一瞥 ：模型结构 ：整体文件结构 ：模型实现细节 ：简单使用教程 1.一瞥 模型移植至仓库 ，原作者使用的是TensorFlow-1.0，本仓库得到作者允许后，使用PyTorch-0.4.0的移植版本。的详细实现说明，造成我在复现过程中省去了很多麻烦。 模型使用了movieLens-1m的数据集进行训练，建模用户-电影-评分数据，要实现给定用户和电影ID，预测用户对于电影的评分。在推荐系统领域，就是一个评分的任务。 2.模型概述 注：图片来源原作者仓库 模型基本就是使用双通道网络来实现推荐系统领域比较有效的基于评分的SVD ++模型。这里简单讲下什么是SVD ++ SVD ++ ： 简单来说，SVD就是使用奇异值矩阵分解的方法，将推荐系统中的两个输入：用户矩阵和物品矩阵映射到隐藏空间，得到两个致密的隐藏矢

推荐系统 分别基于协同过滤算法和基于TensorFlow建立推荐系统 一，基于协同过滤的推荐系统 协同过滤（collaboorative filter）：利用某兴趣相投，拥有共同经验之众的喜好来推荐用户公众的信息。比如说，你和另外一个人都喜欢看电影，而你们所喜欢的电影类型都差不多，那个人对于某个部电影的评价很高，而这部电影你没有看过。那么，我是不会将这部电影推荐给你呢？基于协同过滤的推荐，有基于用户和基于物品。 本项目可实现的功能： 1，基于用户的协同过滤 2，基于项目的协同过滤 3，基于内容的过滤算法 4，混合推荐系统 示例：您所做的那10个最近的邻居！ （1996）： 西雅图不眠夜（1993） 勇敢的心（1995） 玩具总动员（1995） 蝙蝠侠（1989） 土拨鼠日（1993） 美少女（1990） 星际迷航：第一次接触（1996） 当你睡觉时（1995） 萨布丽娜

电影推荐系统

movie_recommender 基于MovieLens的推荐系统。 作者chengstone 电子邮件 代码详解请参见文内jupyter notebook和↓↓↓ 知乎专栏： : 博客： : 欢迎转发扩散^ _ ^ 这是一个简单的推荐系统，使用Tensorflow 1.0和python 3.5。 使用文本cnn工具实现电影推荐： 1.提供用户ID和电影ID以预测收视率。 2.推荐相同类型的电影。 3.推荐您喜欢的电影。 4.Recominging观看了喜欢该电影的同一部电影的人。 这是一个简单的推荐系统，使用TensorFlow1.0和Python 3.5开发。 使用文本卷积神经网络，并利用MovieLens数据集完成电影推荐的任务。实现的推荐功能如下： 1，指定用户和电影进行评分 2，推荐同类型的电影 3，推荐您喜欢的电影 4，看过这个电影的人还看了（喜欢）

时尚网 使用深度学习的时尚推荐系统 目标： 在FashioNet中，我们旨在构建一种时尚推荐系统，该系统能够通过从一个人的衣服图像中提取各种属性来学习他们的衣服样式和喜好。 然后将这些属性提供给相似性模型，以检索最接近的相似图像作为建议。 方法： 我们计划训练一个卷积深网，该网能够执行多类，多标签分类。 因此，每个服装商品都可以附加一个或多个服装属性，每个属性本身都具有类。 我们决定采用以下属性，例如图案[格仔，条纹，花卉，图形，实心]，面料[棉，雪纺，蕾丝，羊毛，丝绸]，样式[休闲，正式，派对，冬天，夏天]，形状[全袖，半袖，无袖]。 对于网络上的每幅服装图像，我们将其称为“时尚矢量”。 Fashion Vector基本上是一个以属性为维度，属性类为值的向量。 看起来像[attribute1_class，attribute2_class，attribute3_class，...] [

音乐推荐系统 该项目已作为NCSU ADBI 591课程的一部分完成。 注意：如果您是北卡罗莱纳州立大学的学生，并且在谷歌搜索作业中遇到问题时，请确保已使您的教授知道您已将此作为参考。 盲目复制而不引用您的消息来源是a窃案。 创建了一个推荐系统，该系统将根据新用户的收听历史向他们推荐新的音乐艺术家。 向用户建议不同的歌曲或音乐艺术家对于许多音乐流媒体服务（例如Pandora和Spotify）很重要。 另外，这种推荐系统也可以用作向用户（例如，Netflix）推荐电视节目或电影的手段。 使用Apache Spark，Python和协作过滤技术完成。

基于文本的音乐推荐系统 这是2021年第一学期在同德女子大学的云平台课程中进行的一个项目。 我们要创建一个推荐与文本匹配的音乐的系统。

大学生创新创业项目-书籍知识图谱推荐 书籍知识图谱（KG）：书籍的评论情感细粒度分析，命名实体识别，关系抽取，分类树生成，数据挖掘 数据集来自>北京大学数据与信息管理研究组的

电影镜头 使用Spark MLlib的ALS算法的电影推荐系统 data MovieLens数据集 （1）ratings.csv 数据格式：用户ID，电影ID，评分，时间戳 （2）movies.csv 数据格式：movieId，标题，类型 结果结果说明 数据格式：userId，[（电影ID，评分）] userId：用户ID movieId：电影ID 等级：推荐度

运用Hadoop 运用协同过滤算法 基于Hadoop的商品推荐系统的设计源码和设计指导书 使用Eclipse的export功能把所有源码打包，然后把打包后的jar文件拷贝到hadoop集群的$HADOOP_HOME/share/hadoop/mapreduce/lib目录下面。这一步相当重要，否则项目将无法找到相关类。注意，如果搭建的是全分布集群，那么需要把这个jar包拷贝到每一个集群节点的该目录下，否则会运行时会报错，提示找不到相关类的定义。