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
CBR-filtering-algorithm
- 智能信息推荐系统能够通过用户偏好,利用信息过滤算法主动剔除无关信息。该文提出了一个基于案例推 理的职能信息推荐系统的架构,主要包含数据层、过滤层和结果展示层3个功能层次。设计了一个基于案例推理的 过滤算法,将用户对文本的评价定义为案例 采用归一化的Euclidean距离,计算用户之间的相似度。在一个公共数 据集上进行了不同过滤算法的recall值对比实验。结果表明,采用案例推理技术,对协同过滤的准确度有一定程度 的改善。 -CBR filtering algorithm an
down
- 本系统在Myeclipse下可以直接运行,选取了原上传代码中的一个算法进行分析运算。 上传文件中有该系统的相关说明。建议大家去Mahout官网查看详细说明。 先前上传的代码是在ANT下运行http://download.csdn.net/source/3358441 电影推荐系统中运用的推荐算法是基于协同过滤算法（Collaborative Filtering Recommendation）。协同过滤是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于
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
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
Collaborative-Filtering
- u1.base和u1.test为训练集和测试集，分别来自MovieLens数据集， 本程序只是很简单的基于用户的协同过滤算法 运行算法所需要的配置信息，包括读取训练集和测试集还有最近邻个数的选择都在Base.java文件中可以找到 本程序的主程序是Application.java 仅供参考，希望对大家有帮助-Collaborative Filtering
javascript
- 用javascr ipt脚本实现基于用户的协同过滤算法-Javascr ipt scr ipts with user-based collaborative filtering algorithm
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
test11-pearson10000
- 基于物品协同过滤算法，计算用户对某物品的兴趣值。(Based on the object collaborative filtering algorithm, the user's interest value to an item is calculated.)
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)
py
- 传统的基于用户的协同过滤算法，用python语言实现(Traditional user based collaborative filtering algorithm)
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)