DSCI 553：数据挖掘的基础和应用 作业概述 这项任务的目的是使您熟悉A-Prior，MinHash，本地敏感哈希（LSH）和不同类型的推荐系统。 数据 数据集主页： : 您可以使用小型数据集进行开发。 包括数据集的副本，以及拆分的训练和测试数据。 任务任务1：查找有趣的关联规则 用户对电影的评分存储在rating.csv中。 回顾基于市场的模型。 用户给予5.0评级的电影集可以视为购物篮。 任务：在这些购物篮中找到关联规则{1，2，⋯，}→，使得interest≥和support≥S .并且是movieId 。 笔记： 在此任务中仅考虑5.0评级。 您应该使用像A-Prior方法这样的高效算法。 尽管兴趣可能是正面的或负面的，但这里只考虑正面的兴趣 为了简化计算，将支持阈值应用于。 在教科书中，仅支持该支持。 j必须是单个元素。 等级： 总共20分 这是确定性

train.csv：训练集、test.csv：测试集 historical_transactions.csv：信用卡(card_id)在给定商家的历史交易记录，对于每张信用卡，最多包含其三个月的交易记录 new_merchant_transactions.csv：每张信用卡在新商家的购物数据，最多包含两个月的数据(字段说明同上) merchants.csv：数据集所有商家(商家id)的附加信息

:high_voltage: 放克 funk-svd是一个Python 3库，实现了著名的SVD算法的快速版本，该算法在竞赛中由Simon Funk。 用于加速算法，使我们的运行速度比的Cython实现（参考）快10倍以上。 电影镜头20M RMSE MAE 时间 惊喜 0.88 0.68 10分40秒 放克-svd 0.88 0.68 42秒 安装 在终端中运行pip install git+https://github.com/gbolmier/funk-svd 。 贡献 欢迎所有贡献，错误报告，错误修复，增强功能和想法。 有关如何贡献的详细概述，请参见。 快速示例 ： >> > from funk_svd . dataset import fetch_ml_ratings >> > from funk_svd import SVD >> > from sklearn . metri

基于情感分析的对话推荐系统，李新胜，李剑，对话推荐系统作为对话系统和推荐系统的结合，最近受到了广泛的关注。为了解决在对话推荐系统中难以获得用户喜好的问题，在对话推

Recommendation ITU-R-BT.2020: Parameter values for ultra-high definition television systems for production and International programme exchange

Yelper：基于协作过滤的推荐系统 孙传 [gmail.com的chuansun76] [twitter.com/sundeepblue] 博客： ： 或此处： : 此README文件描述了“ Yelper”的几个主要组件，Yelper是主要使用Python使用Spark框架构建的业务推荐系统。 以下是“ Yelper”的一些功能： 按城市划分原始业务数据，可以进行微调和自定义推荐 使用Spark MLlib的基于矩阵分解的推荐 在Scala中使用Spark GraphX进行用户业务图分析 使用Spark Streaming和Apache Kafka进行实时用户请求处理 使用

自监督学习用于推荐

带有Python的电影推荐系统 通过推荐与特定电影最相似的电影的基本推荐系统。 使用该样本来构建系统，这不是一个可靠的系统，只会告诉您哪些电影与您选择的电影更相似。

群组推荐系统 [WIP] 该存储库包含 Group Recommendation 的最新研究论文、数据集和源代码（如果有）。 免费免费创建 PR 进行合并。 基于记忆的方法 偏好聚合 CoFeel：在群组推荐系统中使用情绪进行社交互动。 RecSys 2012 。 [ ] 具有部分信息的产品评级的数学建模和分析。 TKDD 2010 。 [ ] 通过纳入社会关系互动来增强群体推荐。 集团 2010 年。 [ ] 用于委员会决策的组推荐系统中的偏好聚合。 RecSys 2009 。 [ ] 一种考虑群组成员交互的群组推荐系统。 专家系统应用程序2008 年。 [ ] 基于用户档案合并的多观众电视节目推荐。 乌梅 2006 年。 [ ] 自适应无线电：使用否定首选项实现共识。 集团 2005 年。 [ ] 超过其成员的总和：群组推荐系统的挑战。 AVI 2004 。

音乐推荐系统 这是一种无监督的学习系统，可以分析多个用户的播放列表并为用户的特定播放列表提供建议。 该模型是基于用户对用户的推荐系统。 该项目考虑的数据集是音乐分析数据集FMA，并且下面的链接中提供了数据集文件的链接。 链接到数据集 设置项目 在项目文件夹中运行setup.py文件。 它下载必要的数据集文件。 可能需要一段时间，请不要担心:)。 如果要获取音乐文件，可以从上面的链接下载它们，也可以转到此搜索所需的歌曲。 要求 建议使用至少具有8GB RAM且Intel i5核心处理器或更高处理器的系统来运行该项目。 数据集描述 所考虑的数据集是一个音乐分析数据集，它不仅包含艺术家姓名，歌曲名称等常用属性，而且还考虑并分析了音乐属性（例如回声，每分钟节拍）以提供建议。 解决问题 数据集由四个csv文件组成，每个文件都描述歌曲的特征，例如元数据，特征等。每个文件均被单独清理，并基于公共密钥（