shawvey / online-judge-recommendation
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目标用户对其他未评价物品的感兴趣程度,系统从而根据这一感兴趣程度来对目标用户进行推荐。
☆14Updated 4 years ago
Related projects ⓘ
Alternatives and complementary repositories for online-judge-recommendation
- 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…☆38Updated 6 years ago
- 高效的协同过滤算法实现——推荐系统☆51Updated 2 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☆35Updated 5 years ago
- 简单的基于新闻语料的推荐算法实现☆19Updated 7 years ago
- 分别基于协同过滤算法和基于TensorFlow建立推荐系统☆41Updated 6 years ago
- 第二届全国大数据比赛-个性化新闻推荐☆67Updated 9 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☆103Updated 6 years ago
- 职位推荐系统☆26Updated 8 years ago
- 电影评分推荐系统☆14Updated 9 years ago
- 图书推荐系统,基于商品的协同过滤算法实现☆280Updated 4 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☆125Updated 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☆37Updated 6 years ago
- 推荐系统实践(基于近邻和LFM的推荐系统)☆100Updated 6 years ago
- 一些经典的个性化推荐算法的实现,从理论推导到实战☆66Updated 4 years ago
- 基于深度学习的推荐系统算法库☆11Updated 5 years ago
- 一些传统推荐算法的实现,包括基于内容的推荐,协同过滤,矩阵分解☆283Updated 6 years ago
- 此推荐系统类似网易云音乐推荐歌单以及推荐相似歌曲☆88Updated 6 years ago
- 根据豆瓣电影数据,做的一个推荐系统☆27Updated 7 years ago
- Film recommendation system.python KNN Collaborative filtering system and spark.系统详细介绍,请看电影推荐系统文档。☆30Updated 6 years ago
- 广告推荐系统web展示demo☆8Updated 9 years ago
- 基于用户行为的推荐算法大赛---第四名(临兵斗 列)☆42Updated 8 years ago
- 《推荐系统开发实战》代码及勘误☆59Updated 4 years ago
- 电影推荐系统、电影推荐引擎、使用Spark完成的电影推荐引擎☆116Updated 6 years ago
- Spark实践:音乐个性化推荐——基于ALS矩阵分解的协同过滤算法☆18Updated 5 years ago
- 人工智能工程师直通车第三期 实战项目:广告点击率预测(CTR)。预测用户浏览给定网页的广告点击率,提高广告投放精准度。☆22Updated 6 years ago
- Python与机器学习方向,《聚类与推荐算法》课程仓库☆43Updated 6 years ago
- 基于tensorflow的个性化电影推荐系统实战(有前端)☆265Updated 4 years ago
- 基于RFM和决策树模型构建专家推荐系统。融合了RFM模型和决策树模型,结合专业运营人员的业务经营,发掘潜在用户,进行推荐营销召回。☆85Updated 6 months ago
- 利用MovieLens数据,Pearson相似度,分别基于User和Item构建一个简单的kNN推荐系统,并给出RMSE评测☆69Updated 5 years ago