- 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...
- 0 系列文章目录 0.1 基于协同过滤算法的电影推荐系统设计(一) - 项目简介 0.2 基于协同过滤算法的电影推荐系统设计(二) - 推荐系统介绍 ALS是alternating least squares的缩写 , 意为交替最小二乘法,而ALS-WR是alternating-least-squares with weighted-λ -regularizati... 0 系列文章目录 0.1 基于协同过滤算法的电影推荐系统设计(一) - 项目简介 0.2 基于协同过滤算法的电影推荐系统设计(二) - 推荐系统介绍 ALS是alternating least squares的缩写 , 意为交替最小二乘法,而ALS-WR是alternating-least-squares with weighted-λ -regularizati...
- ML之RS：基于用户的CF+LFM实现的推荐系统(基于相关度较高的用户实现电影推荐) 目录 输出结果 实现代码 输出结果 实现代码 #ML之RS：基于CF和LFM实现的推荐系统import numpy as npimport pandas as pdimport matplotlib.pyplot as... ML之RS：基于用户的CF+LFM实现的推荐系统(基于相关度较高的用户实现电影推荐) 目录 输出结果 实现代码 输出结果 实现代码 #ML之RS：基于CF和LFM实现的推荐系统import numpy as npimport pandas as pdimport matplotlib.pyplot as...
- 推荐系统是一种信息过滤技术，通过从用户行为中挖掘用户兴趣偏好，为用户提供个性化的信息，减少用户的找寻时间，降低用户的决策成本，让用户更加被动地消费信息。推荐系统是随着互联网技术的发展及应用深入而出现的，并在当前得到广泛的关注，它是一种软件解决方案，是toC互联网产品上的一个模块。用户通过与推荐模块交互，推荐系统通过提供的web服务，将与用户兴趣匹配的标的物筛选出来，组装成合适的数据结构，最终... 推荐系统是一种信息过滤技术，通过从用户行为中挖掘用户兴趣偏好，为用户提供个性化的信息，减少用户的找寻时间，降低用户的决策成本，让用户更加被动地消费信息。推荐系统是随着互联网技术的发展及应用深入而出现的，并在当前得到广泛的关注，它是一种软件解决方案，是toC互联网产品上的一个模块。用户通过与推荐模块交互，推荐系统通过提供的web服务，将与用户兴趣匹配的标的物筛选出来，组装成合适的数据结构，最终...
- 知乎从问答起步，已逐步成长为一个大规模的综合性知识内容平台，截止目前，用户数突破 2.2 亿，有超过 3000 万的问题被提出，并获得超过 1.3 亿个回答。同时，知乎内还沉淀了数量众多的优质文章、电子书以及其它付费内容。因此，在链接人与知识的路径中，知乎存在着大量的推荐场景。粗略统计，目前除了首页推荐之外，我们已存在着 20 多种推荐场景；并且在业务快速发展中，不断有新的推荐业务需求加入。... 知乎从问答起步，已逐步成长为一个大规模的综合性知识内容平台，截止目前，用户数突破 2.2 亿，有超过 3000 万的问题被提出，并获得超过 1.3 亿个回答。同时，知乎内还沉淀了数量众多的优质文章、电子书以及其它付费内容。因此，在链接人与知识的路径中，知乎存在着大量的推荐场景。粗略统计，目前除了首页推荐之外，我们已存在着 20 多种推荐场景；并且在业务快速发展中，不断有新的推荐业务需求加入。...
上滑加载中
推荐直播
-
华为云DataArts+DWS助力企业数据治理一站式解决方案及应用实践2024/11/27 周三 16:30-18:00
Walter.chi 华为云数据治理DTSE技术布道师
想知道数据治理项目中，数据主题域如何合理划分？数据标准及主数据标准如何制定？数仓分层模型如何合理规划？华为云DataArts+DWS助力企业数据治理项目一站式解决方案和应用实践告诉您答案！本期将从数据趋势、数据治理方案、数据治理规划及落地，案例分享四个方面来助力企业数据治理项目合理咨询规划及顺利实施。
去报名 -
大模型+知识库（RAG）：如何使能行业数智化？—华为行业数字化转型实践分享2024/11/27 周三 19:00-20:00
华为人工智能专家史老师
本次直播，我们特别邀请了华为人工智能专家史老师，将以大模型知识库为切入点，详细揭示大模型与知识库结合的过程，并分享利用大模型+知识库（RAG）使能行业数智化转型的实践经验。
即将直播 -
2024年川渝职工软件创新应用技能竞赛·开幕式2024/11/28 周四 09:30-10:30
华为云讲师团
数字川渝，智创未来。2024年川渝职工软件创新应用技能竞赛决赛在即，科技精英蓄势待发！直击开幕式直播现场，共同点燃科技激情！
即将直播
热门标签