基于MapReduce实现物品协同过滤算法（ItemCF）

MovieRecommendation 基于Python3，实现电影推荐系统，数据集是MovieLens官方数据集【见data.txt】 基于用户的协同过滤算法UserCF，UserCF的思想见博客： 基于项目的协同过滤算法ItemCF 关于推荐系统的介绍见博客：

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

以MovieLens 的 ml-100k 为实验数据，基于 ItemCF 算法的推荐结果。

以MovieLens 的 ml-100k 为实验数据，基于 ItemCF 算法作推荐，实现代码。

基于MapReduce实现物品协同过滤算法（ItemCF） 具体参考 补充：hadoop三种执行方式 MR执行环境有两种：本地测试环境，服务器环境 本地测试环境(windows)： 在windows的hadoop目录bin目录有一个winutils.exe 1、在windows下配置hadoop的环境变量 2、拷贝debug工具(winutils.ext)到HADOOP_HOME/bin 3、修改hadoop的源码 ，注意：确保项目的lib需要真实安装的jdk的lib 4、MR调用的代码需要改变： a、src不能有服务器的hadoop配置文件 b、在调用是使用： Configuration config = new Configuration(); config.set("fs.defaultFS", "hdfs://node7:8020"); config.set

ItemCF 基于物品的协同过滤推荐算法Demo An recommend algorithm based on ItemCF, use Python. the ininial data format like this ,for some reason,the original data file is not supported. 一个基于物品的协同过滤推荐算法，原始数据的格式如下： SearchData-userClickKsc date:20150929 00:00:32 word:泪满天 userid:123456 songName:泪满天(立体声伴奏) songID:54321 rank:3 currentPage:2 type:songName

zutki:基于物品的协同过滤算法(itemCF)的推荐系统

文件是基于物品的协同过滤算法itemCF原理及python代码实现，包含MovieLens数据集中的ml-100k数据集，开发环境是Python2.7.代码是我按照《推荐系统实践》里面的公式写的完整程序，并添加了中文注释。

基于物品的协同过滤算法itemCF原理及python代码实现