- 前言 在本文中，将详细介绍多种类型的推荐系统，具体介绍基于近邻算法的推荐引擎、个性化推荐引擎、基于模型的推荐系统和混合推荐引擎等，并分析介绍每种推荐系统的优缺点。 主要介绍的不同类型的推荐系统包括： 近邻算法推荐引擎：基于用户的协同过滤和基于项目的协同过滤； 个性化推荐引擎：基于内容的推荐引擎和情境感知推荐引擎； ... 前言 在本文中，将详细介绍多种类型的推荐系统，具体介绍基于近邻算法的推荐引擎、个性化推荐引擎、基于模型的推荐系统和混合推荐引擎等，并分析介绍每种推荐系统的优缺点。 主要介绍的不同类型的推荐系统包括： 近邻算法推荐引擎：基于用户的协同过滤和基于项目的协同过滤； 个性化推荐引擎：基于内容的推荐引擎和情境感知推荐引擎； ...
- 【推荐系统】⚠️手把手带你学推荐系统 2⚠️ 协同过滤 概述协同过滤基于用户的协同过滤基于物品的协同过滤 对比 概述 推荐系统 (Recommender System) 是一个信息过滤... 【推荐系统】⚠️手把手带你学推荐系统 2⚠️ 协同过滤 概述协同过滤基于用户的协同过滤基于物品的协同过滤 对比 概述 推荐系统 (Recommender System) 是一个信息过滤...
- 推荐系统评测 概述推荐系统的实验方法离线实验用户调查在线试验 评测指标用户满意度预测准确度评分预测TopN 推荐 概述 什么才是好的推荐系统? 这是推荐系统需要解决的首要问题... 推荐系统评测 概述推荐系统的实验方法离线实验用户调查在线试验 评测指标用户满意度预测准确度评分预测TopN 推荐 概述 什么才是好的推荐系统? 这是推荐系统需要解决的首要问题...
- 推荐系统 概述什么是推荐系统 工作原理个性化推荐系统的应用 概述 在研究图和涉及推荐系统之前, 了解上面是好的推荐系统至关重要. 什么是推荐系统 假设以下, 如果你想买牛肉干, 你... 推荐系统 概述什么是推荐系统 工作原理个性化推荐系统的应用 概述 在研究图和涉及推荐系统之前, 了解上面是好的推荐系统至关重要. 什么是推荐系统 假设以下, 如果你想买牛肉干, 你...
- 基于酒店文本描述来推荐相似酒店 import pandas as pd import numpy as np from nltk.corpus import stopwords from sklearn.metrics.pairwise import linear_kernel from sklearn.feature_extraction.text import C... 基于酒店文本描述来推荐相似酒店 import pandas as pd import numpy as np from nltk.corpus import stopwords from sklearn.metrics.pairwise import linear_kernel from sklearn.feature_extraction.text import C...
- 定义推荐系统 看一个预测电影评分的案例。 问题是：假设你在亚马逊工作，你需要让你的用户评价不同的电影。从0颗星到5颗星进行一个评定。前三部电影为爱情电影，后两部电影为动作电影 先看图中的列表，列表左侧表示电影的名称，这里我们可以看到一共有5部电影，和四个用户，这四个用户分别对这几部电影进行了一个评分，Alice非常喜欢前两部电影，他为前两部电影都打了满分5颗星... 定义推荐系统 看一个预测电影评分的案例。 问题是：假设你在亚马逊工作，你需要让你的用户评价不同的电影。从0颗星到5颗星进行一个评定。前三部电影为爱情电影，后两部电影为动作电影 先看图中的列表，列表左侧表示电影的名称，这里我们可以看到一共有5部电影，和四个用户，这四个用户分别对这几部电影进行了一个评分，Alice非常喜欢前两部电影，他为前两部电影都打了满分5颗星...
- 本代码应用movielens 的数据集，讲解如何利用深度学习构造推荐系统模型。推荐系统的目标函数有很多，比如推荐评分最高的，或者推荐点击率最高的等等。有时候我们还会兼顾推荐内容的多样性。在这里使用的是最根本的基于用户给内容打分的情形。这里的核心思想是对用户和内容建模，从而预测用户对未看过内容的打分。推荐系统进而会把预测的高分内容呈现给用户。 数据集下载链接 http... 本代码应用movielens 的数据集，讲解如何利用深度学习构造推荐系统模型。推荐系统的目标函数有很多，比如推荐评分最高的，或者推荐点击率最高的等等。有时候我们还会兼顾推荐内容的多样性。在这里使用的是最根本的基于用户给内容打分的情形。这里的核心思想是对用户和内容建模，从而预测用户对未看过内容的打分。推荐系统进而会把预测的高分内容呈现给用户。 数据集下载链接 http...
- 基于物品的协同过滤算法 目前业界应用最多的算法。 给用户推荐和他们之前喜欢的物品相似的物品。 其主要通过分析用户的行为记录计算物品之间的相似度。物品A和物品B具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B。 ItemCF 可利用用户的历史行为给推荐结果提供推荐解释。 ItemCF算法主要分为两步： 计算物品之间的相似度； 根据物品的相似度和用户... 基于物品的协同过滤算法 目前业界应用最多的算法。 给用户推荐和他们之前喜欢的物品相似的物品。 其主要通过分析用户的行为记录计算物品之间的相似度。物品A和物品B具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B。 ItemCF 可利用用户的历史行为给推荐结果提供推荐解释。 ItemCF算法主要分为两步： 计算物品之间的相似度； 根据物品的相似度和用户...
- 基于模型的协同过滤算法 本节介绍基于模型的协同过滤算法1在Top-N推荐中的应用。 核心思想是 通过隐含特征（latent factor）联系用户兴趣和物品 。 思路：对于某个用户，首先得到其兴趣分类，然后从分类中挑选其可能喜欢的物品。 上述基于兴趣分类的方法需要解决3个问题： 如何给物品进行分类？ 如何确定用户对哪些类的物品感兴趣，以及感兴趣的程度？ ... 基于模型的协同过滤算法 本节介绍基于模型的协同过滤算法1在Top-N推荐中的应用。 核心思想是 通过隐含特征（latent factor）联系用户兴趣和物品 。 思路：对于某个用户，首先得到其兴趣分类，然后从分类中挑选其可能喜欢的物品。 上述基于兴趣分类的方法需要解决3个问题： 如何给物品进行分类？ 如何确定用户对哪些类的物品感兴趣，以及感兴趣的程度？ ...
- 基于用户的协同过滤算法 基础算法 在一个在线个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法称为基于用户的协同过滤算法。 主要包括两个步骤。 找到和目标用户兴趣相似的用户集合 利用行为的相似度计算兴趣的相似度。 给定用户 u u u 和用户 v v... 基于用户的协同过滤算法 基础算法 在一个在线个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法称为基于用户的协同过滤算法。 主要包括两个步骤。 找到和目标用户兴趣相似的用户集合 利用行为的相似度计算兴趣的相似度。 给定用户 u u u 和用户 v v...
- 文章目录 推荐系统评测指标 用户满意度 预测准确度 覆盖率 多样性 新颖性 惊喜度（serendipity） 信任度 实时性 健壮性 商业目标 总结 评测维度 推荐系统评测指标 本节将介绍各种推荐系统的评测指标，可用于评价推荐系统各方面的性能。有些指标可以定量计算，有些只能定性描述，有的可通过离线实验计算，有的需通过用户调... 文章目录 推荐系统评测指标 用户满意度 预测准确度 覆盖率 多样性 新颖性 惊喜度（serendipity） 信任度 实时性 健壮性 商业目标 总结 评测维度 推荐系统评测指标 本节将介绍各种推荐系统的评测指标，可用于评价推荐系统各方面的性能。有些指标可以定量计算，有些只能定性描述，有的可通过离线实验计算，有的需通过用户调...
- 推荐系统冷启动问题 推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣，因此大量的用户行为数据就成为推荐系统的重要组成部分和先决条件。对于很多做纯粹推荐系统的网站，或者很多在开始阶段就希望有个性化推荐应用的网站来说，如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统，这就是 冷启动（cold start） 的问题。 ... 推荐系统冷启动问题 推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣，因此大量的用户行为数据就成为推荐系统的重要组成部分和先决条件。对于很多做纯粹推荐系统的网站，或者很多在开始阶段就希望有个性化推荐应用的网站来说，如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统，这就是 冷启动（cold start） 的问题。 ...
- 利用用户行为数据 如何了解一个人呢？ 通过用户留下的文字和行为了解用户兴趣和需求。 实现个性化推荐的最理想情况是用户在注册的时候主动告知其喜欢什么。 3个缺点： 现在的自然语言理解技术很难理解用户用来描述兴趣的自然语言； 用户的兴趣是不断变化的； 很多时候用户并不知道自己喜欢什么，或者很难用语言描述。 基于用户行为分析的推荐算法是个性化推荐系统的重... 利用用户行为数据 如何了解一个人呢？ 通过用户留下的文字和行为了解用户兴趣和需求。 实现个性化推荐的最理想情况是用户在注册的时候主动告知其喜欢什么。 3个缺点： 现在的自然语言理解技术很难理解用户用来描述兴趣的自然语言； 用户的兴趣是不断变化的； 很多时候用户并不知道自己喜欢什么，或者很难用语言描述。 基于用户行为分析的推荐算法是个性化推荐系统的重...
- 作者：知乎用户链接：https://www.zhihu.com/question/22237507/answer/53804902 来源：https://www.zhihu.com/question/22237507/answer/60991654 矩阵奇异值的物理意义是什么？ 或者说，奇异值形象一点的意义是什么？ 把m*n矩阵看作从m维空间到n维空间的一个线性映射... 作者：知乎用户链接：https://www.zhihu.com/question/22237507/answer/53804902 来源：https://www.zhihu.com/question/22237507/answer/60991654 矩阵奇异值的物理意义是什么？ 或者说，奇异值形象一点的意义是什么？ 把m*n矩阵看作从m维空间到n维空间的一个线性映射...
- 由于本人今年毕业,为完成毕设特地想着实现一个简单的推荐系统设计,思来想去,小电影不就是很好的切入点嘛! 于是诞生该项目,将会一步步带着大家实现一个自己的电影推荐系统. 1 研究目标 从应用场景来看，基于内容的推荐算法更多地适用于用户根据关键字或者电影名字来搜索相应的电影，然后推荐系统来进行相应的推荐。 基于需求个性角度来看，基于内容的推荐算法还不够个人化，用户需要的... 由于本人今年毕业,为完成毕设特地想着实现一个简单的推荐系统设计,思来想去,小电影不就是很好的切入点嘛! 于是诞生该项目,将会一步步带着大家实现一个自己的电影推荐系统. 1 研究目标 从应用场景来看，基于内容的推荐算法更多地适用于用户根据关键字或者电影名字来搜索相应的电影，然后推荐系统来进行相应的推荐。 基于需求个性角度来看，基于内容的推荐算法还不够个人化，用户需要的...
上滑加载中
推荐直播
-
香橙派AIpro的远程推理框架与实验案例2025/07/04 周五 19:00-20:00
郝家胜 -华为开发者布道师-高校教师
AiR推理框架创新采用将模型推理与模型应用相分离的机制，把香橙派封装为AI推理黑盒服务，构建了分布式远程推理框架，并提供多种输入模态、多种输出方式以及多线程支持的高度复用框架，解决了开发板环境配置复杂上手困难、缺乏可视化体验和资源稀缺课程受限等痛点问题，真正做到开箱即用，并支持多种笔记本电脑环境、多种不同编程语言，10行代码即可体验图像分割迁移案例。
回顾中 -
鸿蒙端云一体化应用开发2025/07/10 周四 19:00-20:00
倪红军 华为开发者布道师-高校教师
基于鸿蒙平台终端设备的应用场景越来越多、使用范围越来越广。本课程以云数据库服务为例，介绍云侧项目应用的创建、新建对象类型、新增存储区及向对象类型中添加数据对象的方法，端侧（HarmonyOS平台）一体化工程项目的创建、云数据资源的关联方法及对云侧数据的增删改查等操作方法，为开发端云一体化应用打下坚实基础。
即将直播
热门标签