推荐系统参考资料

感觉准备还不是很充分，应该会继续找资料看，待更新

英文论文：https://blog.csdn.net/qq_26274221/article/details/83476282

https://github.com/singmiya/recsys

 

Flask开源项目介绍https://www.douban.com/group/topic/124319654/

Mysql番剧推荐系统（没有记录用户关注功能，但详细讲了flask）：

https://blog.csdn.net/oxuzhenyi/article/details/54982480

推荐系统介绍：https://blog.csdn.net/qq_40027052/article/details/78579587

基于用户行为的但代码不全：https://www.cnblogs.com/amoor/p/9724429.html

协同过滤算法小例：https://blog.csdn.net/guanbai4146/article/details/78016778

协同过滤推荐系统：https://blog.csdn.net/gamer_gyt/article/details/51346159

书中音乐提到了用户的相似度

推荐系统开发实战笔记

基于地理位置服务（location based services）的推荐算法P12

基于用户行为特征P111

用户行为分为：显性反馈（点赞，含义明确，数据量小，可实时获取

）、隐性反馈（浏览日志，不明确，数据量大）

基于内容（Content Based）的推荐：构造特征判断相似度

基于近邻的推荐算法（协同过滤Collaborative Filtering）:基于用户/基于物品

（基于内容与基于物品的CF区别：基于内容，计算相似度用的是Item本身特征；CF，相似度由用户对Item的行为构造Item特征）都是基于统计学的推荐

基于隐语义模型的推荐算法：机器学习算法，包含隐含因子P147

基于标签的推荐：基于用户主观意愿对物品打的标签/用户画像对用户打的标签/数据标注

基于上下文的推荐：时间特征、地域和热度特征P200

基于点击率预估的推荐

冷启动、效果评估

实战：后端django（一个MVC框架），前端vue（基于node.js）

音乐有后台管理，都没有注册但直接选择用户登陆，图书点击率预估