JAVA+JSP实现模拟登录主动向用户推送

YelpCamp 一个简单的网站前端，它将向用户显示所有露营地。

1、描述 Book Crossing 是一个书籍推荐系统数据，用以向用户推荐偏好的书籍。 由Cai-Nicolas Ziegler在经过4周的爬网（2004年8月/ 2004年）中，在人类系统 首席技术官Ron Hornbaker的允许下，从Book-Crossing社区中收集。包含278,858个用户（匿名但具有人口统计信息），提供1,149,780个评分（显式/隐式），约271,379本书。数据集中包含三张表，分别BX用户表，BX书表，BX书评表。 属性信息如下： BX用户表 User_ID 用户id Location 位置 Age 年龄 BX书 ISBN ISBN标识 Book-Title 书名 Book-Author 书作者 Year-Of-Publication 出版年 Publisher 发布者 Image-URL-S Image-URL-M Image-URL-L BX书评 包含书评信息。等级（Book-Rating）是显式的，以1-10（较高的值表示较高的欣赏度）表示，

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

音乐推荐 Yahoo音乐推荐系统基于专辑的多个用户评分，并向用户提供歌曲推荐。 数据集 数据集名称-Yahoo! 音乐曲目，专辑，艺术家和流派的音乐用户评分 链接-https: 大小-1.5 GB 数据集说明 雅虎！ 音乐提供了与音乐许多方面相关的大量信息和服务。 该数据集表示Yahoo!的快照。 音乐社区对各种音乐项目的偏好。 该数据集的一个显着特征是，用户评级被赋予四种不同类型的实体：曲目，专辑，艺术家和流派。 此外，项目在层次结构中捆绑在一起。 也就是说，对于一首曲目，我们知道其专辑，表演艺术家和相关流派的身份。 同样，我们为专辑提供了艺术家和流派注释。 数据集包含Yahoo Music真正客户在1999-2009年间提供的评分。 用户和项目（曲目，专辑，艺术家和流派）均表示为无意义的匿名数字。 项目介绍 在Yahoo Music数据集上-艺术家，专辑，歌曲，流派 轨迹1：预测用

行业分类-设备装置-不再向用户分配IP地址时终止IP多媒体子系统服务的方法及装置.zip

搭建相应的客户端，在客户端中用户可以选择所需要的功能，并向服务器提交查询请求 一个典型的执行流程如下：启动服务器，启动客户端，用户在客户端上选择要进行地理位置编码或者域名到IP的解析 发送相应的请求到服务器 服务器根据客户端提交的请求，返回相应的数据 一个是程序的源代码 另一个是word文件，其中包括对源代码的说明，程序执行的流程，以及执行结果的截图

Yelp推荐系统 下载Yelp的Business.CSV和Review.CSV以在您的计算机上运行此代码。 可以在.ipynb文件中查看代码和输出 获得纽约大学CDS学院奖的“最佳第一年项目”奖。 构建了一个推荐引擎，以使用传统模型（如基于余弦相似度的模型，SVD和交替最小二乘模型）向Yelp用户推荐餐厅； 评分矩阵非常稀疏，稀疏度为99.4％ 开发了基于随机梯度下降的模型，基于神经网络的模型，基于随机森林回归的模型和集成模型等高级模型，以在稀疏评级矩阵完成任务上实现更高的性能 数据集的稀疏性很高

自毁消息应用程序 允许您向用户发送消息的 Android 应用程序，该消息将自动销毁。 这只是一个在 Android Studio IDE 中玩的应用程序

kkbox-- 通过挖掘海量的历史音乐欣赏记录，流媒体服务向用户提供个性化音乐推荐，实现一个完整的推荐系统，同时预测用户是否在过期后的一个月内预定，流失的概率。