jiaoooooo的博客

基于物品的协同过滤算法1. 数据使用movielens-100k数据集中的u1.base文件作为实验集2.实验在demo1中建立用户-评分矩阵和用户看过的电影id列表，根据用户看过的电影计算电影间相似度，根据项亮的《推荐系统实践》中方法计算用户相似度。相似度公式：import pandas as pdimport numpy as npimport math#建立用户-评分矩阵user_rating = np.zeros((944, 1683))#数据集共943个用户，1682部电

基于用户的协同过滤算法1. 数据使用movielens-100k数据集中的u1.base文件作为实验集2.实验在demo1中建立用户-评分矩阵和项目-用户矩阵，根据项亮的《推荐系统实践》中建立倒排表，然后计算用户相似度。import pandas as pdimport numpy as npimport math#建立用户-评分矩阵user_rating = np.zeros((944, 1683))#数据集共943个用户，1682部电影#print(user_rating)de

基于聚类的推荐算法实战——以豆瓣电影为例(四）（附源代码）第一章 聚类算法介绍第二章 数据介绍 第三章 实现推荐算法第四章 评价推荐算法文章目录基于聚类的推荐算法实战——以豆瓣电影为例(四）（附源代码）前言一、评价指标1.1 平均准确率1.2 平均召回率总结前言本文记载一下本科毕设所研究的课题步骤以及一些细节，由于此次毕设对于推荐领域很感兴趣，发表一些浅显见解，希望大佬们不吝赐教。最后对推荐结果进行分析，实验中使用平均准确率和平均召回率进行分析。一、评价指标1.1 平均准

基于聚类的推荐算法实战——以豆瓣电影为例(三）（附源代码）第一章 聚类算法介绍第二章 数据介绍 第三章 实现推荐算法第四章 评价推荐算法文章目录基于聚类的推荐算法实战——以豆瓣电影为例(三）（附源代码）前言一、协同过滤推荐1.1 基于用户的协同过滤推荐1.2 基于物品的协同过滤推荐1.3 遇到的问题1.4 具体实现总结前言本文记载一下本科毕设所研究的课题步骤以及一些细节，由于此次毕设对于推荐领域很感兴趣，发表一些浅显见解，希望大佬们不吝赐教。将用户划分到不同簇内后，在每簇内进

基于聚类的推荐算法实战——以豆瓣电影为例(一）第一章 聚类算法介绍第二章 数据介绍 第三章 实现推荐算法第四章 评价推荐算法文章目录基于聚类的推荐算法实战——以豆瓣电影为例(一）前言一、豆瓣页面分析1.1具体实现1.2遇到的问题二、数据分析2.1具体实现2.2遇到的问题总结前言本文记载一下本科毕设所研究的课题步骤以及一些细节，由于此次毕设对于推荐领域很感兴趣，希望大佬们不吝赐教。以下介绍一下本次实验使用的数据，全部数据源于豆瓣，使用Selenium+Chromedriver爬

基于聚类的推荐算法实战——以豆瓣电影为例(一）第一章 聚类算法介绍第二章 数据介绍 第三章 实现推荐算法第四章 评价推荐算法文章目录基于聚类的推荐算法实战——以豆瓣电影为例(一）前言一、Canopy聚类1.1具体实现1.2遇到的问题二、K-means聚类2.1具体实现2.2遇到的问题总结前言本文记载一下本科毕设所研究的课题步骤以及一些细节，由于此次毕设对于推荐领域很感兴趣，希望大佬们不吝赐教。以下介绍一下本次实验使用的两种聚类算法一、Canopy聚类1.1具体实现1.2