推荐系统
文章平均质量分 86
Jozky86
这个作者很懒,什么都没留下…
展开
-
电影推荐系统(037~039)
每一个用户的评分标准不同,用户A的3分和用户B的3分的含义不一定一样。矩阵分解后得到P和Q,P是用户特征矩阵,Q是电影特征矩阵,通过Q矩阵来计算电影相似度。如果最近看的k个电影都是低分电影,那么推荐的电影优先级应该降低。笛卡尔积:相当于两个集合一对一join,外连接。实时推荐服务:spark streaming。把每一个备选电影单独计算,算一个推荐优先级。离散推荐服务:spark MLlib。要求:计算速度快,结果不一定特别精确。实时推荐、离线推荐、热门推荐。实时推荐:Flume-ng。原创 2023-02-28 16:59:26 · 747 阅读 · 1 评论 -
推荐系统(029~036)
用户信息标签化的过程称为用户画像(User Profiling)将用户(user)个人信息的特征,和物品(item)的特征相匹配。判断内容是否相似,根据物品或者内容的元数据,发现物品的相关性。基于人口统计学:数据源人口信息。协同过滤:基于行为数据。原创 2023-02-27 20:59:58 · 950 阅读 · 0 评论 -
机器学习模型和算法(10~)
略。原创 2023-02-25 22:29:02 · 514 阅读 · 0 评论 -
机器学习入门(4~9)
机器学习的过程:海量数据–>获得模型(提炼规律)–>预测未来。原创 2023-02-25 18:20:12 · 628 阅读 · 0 评论 -
推荐系统简介(1~3)
推荐系统项目原创 2023-02-25 16:38:05 · 444 阅读 · 0 评论