搜索资源列表
Concha_CF
- 【转】协同过滤代码，用于推荐系统，包括基于项目和基于用户两种情况。实现基于用户和基于项目的协同过滤算法。 实验所用数据为MovieLens – a web-based movies recommender system with 43,000 users & over 3500 movies. 保存在ga.mat文件用，由于ga.test测试集过于庞大，全部用来计算的话耗时庞大，所以每次计算时随机选择部分，具体函数的使用请参照probar.m。我所得到的实验结果保存在results1-resul
UserCF
- 用C++实现的基于用户的协同过滤算法，包含训练集、测试集-Achieved with C++ user-based collaborative filtering algorithms, including training set, test set
c
- 基于用户协同过滤的程序代码，参考《协同过滤推荐算法研究》-User-based collaborative filtering program code, refer to " collaborative filtering recommendation algorithm"
Recommend-system-for-movie
- 电影推荐系统中引用了Apache Mahout提供的一个协同过滤算法的推荐引擎Taste，它实现了最基本的基于用户和基于内容的推荐算法，并提供了扩展接口，使用户方便的定义和实现自己的推荐算法。-Movie recommendation system references a collaborative filtering algorithm recommendation engine Taste Apache Mahout provided it implements the basic use
pnn-(2)
- 皮尔逊相关系数的协同过滤算法，基于用户相似度的推荐算法。-pearon K-nn
recommender-
- Collaborative Filtering，基于Collaborative Filtering，建立主动为用户推荐商品的推荐系统。实现参考协同过滤算法或它的优化，实现并改进算法，计算出每个客户对未购买的商品的兴趣度，并向客户主动推荐他最感兴趣的N个商品。实验数据可以从MovieLens.com下载。要求使用至少10，000不同用户的数据，至少1000个不同的movie。-Collaborative Filtering，Based Collaborative Filtering, the in
基于用户的协同过滤推荐算法MATLAB
- 此代码为一个基于协同过滤的推荐算法，为基于用户的KNN协同过滤，由MATLAB实现，并计算MEA和RMSE
CollaborativeFiltering
- 推荐系统中的经典算法，协同过滤算法，基于用户和基于项目的-Recommended system classical algorithm, collaborative filtering algorithm based on user and project-based
UserCF
- 推荐算法，基于用户的协同过滤算法，python 实现，简单快速。-recommend algorithm ,collaborate filter algorithm based on user ,python implement.simply and fast
usercf
- 基于用户的协同过滤算法(Python实现) ,很好的学习协同过滤算法的资料-User Based Collaborative Filtering
usercf
- 利用Python计算基于用户的协同过滤算法，计算Mae值(Using Python to calculate the user based collaborative filtering algorithm and calculate the Mae value)
foodAround-master
- 基于用户的协同过滤推荐算法实现食品推荐功能，基于不同用户评分矩阵实现食品的分类。(Based on user collaborative filtering recommendation algorithm, food recommendation function is realized, and food classification is achieved based on different user rating matrix.)
UserBaseCF
- 协同过滤推荐算法是诞生最早，并且较为著名的推荐算法。主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类，分别是基于用户的协同过滤算法(user-based collaboratIve filtering)，和基于物品的协同过滤算法(item-based collaborative filtering)，本算法是基于用户的协同过滤算法(user-based collaboratIve filteri
推荐算法在数字化营销业务场景中的应用
- 基于用户的协同过滤算法，可以根据用户对电影的评价集推荐其潜在喜爱电影。(Based on user's collaborative filtering algorithm, potential favorite movies can be recommended according to user's evaluation set.)
UserCF
- 使用Python实现一个基于用户的协同过滤算法(A recommandation system based on User by python)