推荐系统-推荐算法应用实践 寻路推荐 - 豆瓣推荐系统实践之路 共20页.pdf

AI科技大本营在线公开课《达观数据个性化推荐系统实践》 共40页.pptx

记录系统 这是《推荐系统实践》中基于近邻的方法的代码实现。数据集使用的是MovieLen中大小为100K的数据集。程序分为6个文件： UserCF：基于用户的算法UserCF_IIF：改进的基于用户的算法ItemCF：基于物品的算法ItemCF_IUF：改进的基于物品的算法LFM：隐因子模型算法评价：评价指标mainCF：主函数，读取数据和测试

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

基于Python实现的推荐系统实践代码 含数据源和源代码.rar.rar

# -*- coding: utf-8 -*- import pandas as pd import numpy as np from math import sqrt critics={'Lisa Rose': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.5, 'Just My Luck': 3.0, 'Superman Returns': 3.5, 'You, Me and Dupree': 2.5, 'The Night Listener': 3.0}, 'Gene Seymour': {'Lady in the Water': 3.0, 'Snakes on a Plane': 3.5, 'Just My Luck': 1.5, 'Superman Returns': 5.0, 'The Night Listener': 3.0, 'You, Me and Dupree': 3.5}, 'Michael Phillips': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.0, 'Superman Returns': 3.5, 'The Night Listener': 4.0}, 'Claudia Puig': {'Snakes on a Plane': 3.5, 'Just My Luck': 3.0, 'The Night Listener': 4.5, 'Superman Returns': 4.0, 'You, Me and Dupree': 2.5}, 'Mick LaSalle': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'Just My Luck': 2.0, 'Superman Returns': 3.0, 'The Night Listener': 3.0, 'You, Me and Dupree': 2.0}, 'Jack Matthews': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0, 'The Night Listener': 3.0, 'Superman Returns': 5.0, 'You, Me and Dupree': 3.5}, 'Toby': {'Snakes on a Plane':4.5,'You, Me and Dupree':1.0,'Superman Returns':4.0}} df_critics=pd.DataFrame(critics) ##欧氏距离 def sim_distance(prefs,person1,person2): si={} for item in prefs[person1]: if item in prefs[person2]: si[item]=1 if len(si)==0: return 0 sum_of_squares=sum([pow(prefs[person1][item]-prefs[person2][item],2) for item in prefs[person1] if item in prefs[person2]]) return 1/(1+sqrt(sum_of_squares)) ##numpy pandas 方法 def sim_distance2(prefs,person1,person2): return 1/(1+np.linalg.norm(prefs[person1]-prefs[person2])) ##皮尔逊相关系数 def sim_pearson(prefs,p1,p2): si={} for item in prefs[p1]: if item in prefs[p2]: si[item]=1 n=len(si) if n==0: return 1 ##对所有偏好求和 sum1=sum([prefs[p1][it] for it in si]) sum2=sum([prefs[p2][it] for it in si]) ##求平方和 sum1Sq=sum([pow(prefs[p1][it]

拉取模型数据到共享内存系统用于线上计算 高速缓存 – 每秒千万级读写 • 数据秒级更新 • 客户端按需拉取 • 数据一致性 – MD5+Version • 通用数据格式 • 不间断服务 – 主备切换，数据更新不影响服务

此内容包括：用户画像数据：user_profile.data，物品（音乐）元数据：music_meta，用户行为数据：user_watch_pref.sml。可以使用此数据做一个推荐系统的demo

基于用户和物品的推荐系统，比较值得机器学习行业分析

短视频推荐系统实践