bluebeach / Recommend
电影评分推荐系统
☆14Updated 10 years ago
Alternatives and similar repositories for Recommend:
Users that are interested in Recommend are comparing it to the libraries listed below
- 一个网站,一个推荐系统☆16Updated 6 years ago
- 电影评估推荐系统☆17Updated 8 years ago
- 根据豆瓣电影数据,做的一个推荐系统☆27Updated 7 years ago
- [Python, chinese comments] 电影推荐系统-数据挖掘思路☆17Updated 7 years ago
- 数据挖掘,参加Kaggle的一个预测广告点击率的竞赛☆28Updated 9 years ago
- 基于用户行为的推荐算法大赛---第四名(临兵斗列)☆41Updated 8 years ago
- 基于Spark MLlib ALS的音乐推荐系统☆29Updated 8 years ago
- 第二届全国大数据比赛-个性化新闻推荐☆69Updated 9 years ago
- csdn用户画像的源码☆20Updated 7 years ago
- This is for http://115.28.182.124/c/00000000050/team☆100Updated 10 years ago
- 使用scrapy框架爬取微博数据存储到mongodb中,利用numpy/tensorflow等python库对数据进行处理(基于transE算法),形成推荐系统。使用Springboot框架实现系统的可视化。有不同分支,master、transE、spring分别存储不同的…☆17Updated 8 years ago
- 在Spark环境下,利用Flask框架,采用Mongodb设计的一个在线电影推荐系统的演示demo☆22Updated 8 years ago
- 图书推荐系统,基于商品的协同过滤算法实现☆298Updated 4 years ago
- 实现的基于user和item的协同过滤算法☆51Updated 11 years ago
- 卷积神经网络(CNN)提取影评特征构建电影推荐系统,pytorch实现☆128Updated 7 years ago
- 1.解析爬取到的Json歌单数据,并进行数据预处理。 2.基于Surprise推荐系统库,采用KNNBaseLine实现基于用户 的协同过滤歌曲推荐。3.借鉴Word2Vec算法思想进行Song2Vec处理,实现基于物品的协同过滤歌曲推荐。 4.采用 TensorFlow实…☆39Updated 6 years ago
- 研一秋季学期《网络数据挖掘》大作业 - 新闻推荐系统☆14Updated 9 years ago
- 高效的协同过滤算法实现——推荐系统☆52Updated 2 years ago
- 推荐系统实践(基于近邻和LFM的推荐系统)☆100Updated 6 years ago
- 分别基于协同过滤算法和基于TensorFlow建立推荐系统☆43Updated 6 years ago
- 基于用户行为(关键词和查看过的新闻)的个性化新闻推荐系统☆39Updated 6 years ago
- 职位推荐系统☆25Updated 8 years ago
- Python 3.6 下的推荐算法解析,尽量使用简单的语言剖析原理,相似度度量、协同过滤、矩阵分解等☆104Updated 6 years ago
- 大数据精准营销中搜狗用户画像挖掘☆36Updated 8 years ago
- 使用 Spark MLlib 的 ALS 算法的电影推荐系统☆42Updated 8 years ago
- 热门推荐、基于内容推荐、基于用户协同过滤推荐、基于物品协同过滤推荐☆37Updated 6 years ago
- 基于协同过滤和SVD算法的音乐推荐系统☆40Updated 6 years ago
- text classfication 大数据精准营销中搜狗用户画像挖掘 rank61/880☆62Updated 6 years ago
- CSDN用户画像技术评测☆27Updated 5 years ago
- 本系统是基于物品(item-based)的系统过滤算法。协同过滤推荐技术被认为是推荐系统算法中应用最为成功的技术之一。它通常采用最近邻(K-Nearest-Neighbor, KNN)算法,利用用户的历史记录来计算用户之间的距离,然后利用目标用户的最近邻用户对物品评价来预测…☆14Updated 5 years ago