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