LoveHome-Real-Estate-Platform 我的JavaWeb毕设项目（前台部分模仿链家网，后台用了H-ui框架。其中可能涉及一些链家网，H-ui等相关的信息，在这里说明，本项目替代交流学习，不得用于商业传播等） 基于springboot + MyBatis + FreeMarker + redis + nginx等技术的JavaWeb项目------恋家房产平台 先简单放几张项目的图，视频演示放到repo里面去了。 前台首页： 物业列表： 物业详情页面： 最新推荐： 最热推荐： 评价打分： 博客列表： 后台管理： 明显评分饼状图： 房价3D柱状图： 小区物业关系树图： 全国分

主要介绍了vue中使用WX-JSSDK的两种方法,每种方法通过实例代码给大家介绍的非常详细，具有一定的参考借鉴价值，需要的朋友可以参考下

软件工程方面资料。很多是前辈的经验总结，来之不易，有需要的朋友可以使用，算是很珍贵的资源了

传统的推荐系统存在数据高度稀疏、冷启动及用户偏好建模难等问题，而把情境信息融入推荐系统中能有效缓解此类问题.深度学习技术已经成为人工智能领域研究热点，把深度学习应用在情境感知推荐系统当中，为推荐领域的研究带来新的机遇与挑战.本文从情境感知推荐系统相关概念出发，综合整理国内外研究相关文献，介绍深度学习技术融入情境感知推荐系统相关应用模型，提出了基于深度学习的情境感知推荐系统研究的不足以及对未来的展望.

CSE523-机器学习-KHVM 一种音乐推荐系统，它使用协作过滤和机器学习算法（例如K近邻和奇异值分解（SVD））根据用户的喜好向用户推荐歌曲。 介绍 Music Recommend系统是一种根据用户的不同选择来预测或过滤偏好的系统，它从用户过去的收听历史中学习，并向他们推荐他们将来可能希望听到的各种歌曲。协作过滤算法可预测（还可以通过收集用户的喜好来过滤用户的品味，并实现来自许多其他用户的品味（协作）。 在项目的第一阶段，我们使用k最近邻算法构建了一个推荐系统，我们的系统还使用了表示均方根误差的RMSE。 对数据集进行预测时存在的误差的标准偏差称为RMSE。 均方根误差（RMSE）是用于确定回归线与数据点的匹配程度的度量。沿着RMSE，我们还应用了奇异值分解（SVD）.SVD是将矩阵分解为奇异向量的另一种方法和奇异值。 SVD通常在机器学习中用作数据缩减工具，并在其他矩阵运算（例如

推荐系统 deepFM python实现，用于对CTR预测

Etcher-Setup-1.3.1-x64 适合64位windows系统安装，树莓派官方推荐烧录工具

无论是做网页设计还是手机移动端设计，开始制作时都是先从原型框架开始设计，最初设计师们可能在纸上画原型图，但现在已有很多先进的工具能让我快速生成原型并能实现一些交互设计功能。因此，设计达人网整理一些适用于移动应用的原型设计工具，这些都能有助于你的工作哦!FLINTOFlinto用于演示APP原型的工具，它能快速将你设计好的原型图(框架图也可以)链接起来，并以app形式展示，这样你给客户看的时候，简直像一个真的APP一样。使用flinto一般5分钟就能制作完原型展示，简单快速。地址：https://www.flinto.com/POPPOP和上面一样，也是APP原型演示工具，它特别之外就是通过拍摄

RecSystemPractice 项亮《推荐系统实践》的部分算法/代码实现

EMAN 一个基于SSM框架与物品的协同过滤算法(ItemCF)的简单电子书推荐系统 界面截图 系统功能分析 推荐策略 因部分推荐算法需要使用用户的喜爱数据作为参数。若用户未登录就采用对游客的 推荐策略。若用户已登录就采用对登录用户的推荐策略。其中若登录用户在数据库中存 在感兴趣的分区记录的话就会增加一个来自你感兴趣的分区的推荐。 所以将推荐策略分为是否登录两种情况进行区别。 若用户未登录就采用对游客的用户评分显示策略。若用户已登录就采用对登录用户 的用户评分显示策略。其中若登录用户已经对当前详情页的电子书进行过评分，则显示 其评分记录。 �爬虫爬取策略 系统分析与设计 系统分析 如用例图所示，本系统中的基本用户分为 3 种。分别是游客、注册用户、管理员。 游客可以访问电子书推荐平台的首页、用户注册页面、查看电子书页面。注册用户比游 客多的功能在于可以对电子书进行评分与评论和由该用户预测兴