JAVA+聚类+KMeans图书推荐系统使用了聚类算法来给图书推荐进行排名，适合毕业设计进行参考~代码是基于javaweb的使用
2020/2/12 16:20:40
109.73MB
1
压缩文件中包含一下列表：1，movielens公开实验数据集(推荐系统研究经常用到~)2，模仿预测评分的python代码（python3.x）
2021/10/18 2:51:40
3.98MB
1
本文来自作者李文哲，知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱抽象地展示学科的核心结构、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
从一开始的Google搜索，到现在的聊天机器人、大数据风控、证券投资、智能医疗、自适应教育、推荐系统，无一不跟知识图谱相关。
它在技术领域的热度也在逐年上升。
本文以通俗易懂的方式来讲解知识图谱相关的知识、尤其对从零开始搭建知识图谱过程当中需要经历的步骤以及每个阶段需要考虑的问题都给予了比较详细的解释。
对于读者，我们不要求有任何AI相关的背景知识。
随着移动互联网的发展，
从一开始的Google搜索，到现在的聊天机器人、大数据风控、证券投资、智能医疗、自适应教育、推荐系统，无一不跟知识图谱相关。
它在技术领域的热度也在逐年上升。
本文以通俗易懂的方式来讲解知识图谱相关的知识、尤其对从零开始搭建知识图谱过程当中需要经历的步骤以及每个阶段需要考虑的问题都给予了比较详细的解释。
对于读者，我们不要求有任何AI相关的背景知识。
随着移动互联网的发展，
2021/3/23 5:53:58
1.61MB
1
基于内容的电影推荐系统，使用AJAX进行情感分析可以在以下位置找到此应用程序的更新版本：:基于内容的推荐系统推荐与用户喜欢的电影相似的电影，并分析用户对该电影给出的评论的情绪。
电影的详细信息（标题，类型，放映时间，评分，海报等）是通过TMDB使用API??，//www.themoviedb.org/documentation/api并使用电影中的IMDBID来获取的。
API，我进行了网络抓取，以使用beautifulsoup4在IMDB站点中获得用户给出的评论，并对这些评论进行了情感分析。
查看现场演示：:链接到youtube演示：:注意电影院我已经开发了一个类似的应用程序，称为“电影院”，它支持所有语言的电影。
但是与此应用程序唯一不同的是，我在“电影院”中使用了TMDB的推荐引擎。
我在此应用程序中开发的推荐部分不支持多语言电影，因为它消耗了200％的RAM（即便将其部署到Heroku之后）也无法为TMDB中的所有700,000部电影生成CountVectorizer矩阵。
链接到“电影院”应用程序：:如果您要查找的电影
电影的详细信息（标题，类型，放映时间，评分，海报等）是通过TMDB使用API??，//www.themoviedb.org/documentation/api并使用电影中的IMDBID来获取的。
API，我进行了网络抓取，以使用beautifulsoup4在IMDB站点中获得用户给出的评论，并对这些评论进行了情感分析。
查看现场演示：:链接到youtube演示：:注意电影院我已经开发了一个类似的应用程序，称为“电影院”，它支持所有语言的电影。
但是与此应用程序唯一不同的是，我在“电影院”中使用了TMDB的推荐引擎。
我在此应用程序中开发的推荐部分不支持多语言电影，因为它消耗了200％的RAM（即便将其部署到Heroku之后）也无法为TMDB中的所有700,000部电影生成CountVectorizer矩阵。
链接到“电影院”应用程序：:如果您要查找的电影
2016/11/4 14:29:04
2.71MB
1
基于协同过滤的电子商务推荐系统极易遭到托攻击,托攻击者注入伪造的用户模型增加或减少目标对象的推荐频率,如何检测托攻击是目前推荐系统领域的热点研究课题.分析五种类型托攻击对不同协同过滤算法产生的危害性,提出一种特征选择算法,为不同类型托攻击选取有效的检测指标.基于选择出的指标,提出两种基于监督学习的托攻击检测算法,第一种算法基于朴素贝叶斯分类;第二种算法基于k近邻分类.最后,通过实验验证了特征选择算法的有效性,及两种算法的灵敏性和特效性.
2015/6/8 3:22:33
1.36MB
1
coursera机器学习ex8练习第一部分为失常点检测；
第二部分为协同过滤算法实现的电影推荐系统使用方法：下载紧缩包并解压到本地，用matlab打开文件夹，打开ex8.mlx文件，即可查看详细说明（由于是coursera的作业，所以全是英文，可以结合本人博客阅读）。
博客链接：https://blog.csdn.net/ShadyPi/article/details/122759026
第二部分为协同过滤算法实现的电影推荐系统使用方法：下载紧缩包并解压到本地，用matlab打开文件夹，打开ex8.mlx文件，即可查看详细说明（由于是coursera的作业，所以全是英文，可以结合本人博客阅读）。
博客链接：https://blog.csdn.net/ShadyPi/article/details/122759026
2019/2/10 15:16:35
1.1MB
1
摘要随着社会经济的快速发展，城镇化的加速建设，房地产买卖越来越火，尤其二手房买卖市场居高不下，互联网涌现大批网上二手房买卖网站，但是由于提供的房源质量参差不齐，对于个人用户的需求不够精确，无法做到房源精准投放，因此需要实现二手房房源推荐系统来解决用户需求，而房源推荐系统的实现首要就是需要获得足够多的房源信息，所以本毕设通过实现二手房数据爬取系统来爬取房源数据，为房源推荐系统提供数据支持。
本系统使用多线程多端爬虫的优势，设计一个基于Redis的分布式主题爬虫。
本系统采用Scrapy爬虫框架来开发，使用Xpath网页提取技术对下载网页进行内容解析，使用Redis做分布式，使用MongoDB对提取的数据进行存储，使用Django开发可视化界面对爬取的结果进行友好展示，设计并实现了针对链家网二手房数据的分布式爬虫系统。
经过开发验证，本系统可以完成对链家二手房房源数据的分布式爬取，可以为房源推荐系统提供数据支持，也可以为数据分析师提供二手房数据分析的数据源。
关键词：二手房：分布式爬虫：Scrapy：可视化
本系统使用多线程多端爬虫的优势，设计一个基于Redis的分布式主题爬虫。
本系统采用Scrapy爬虫框架来开发，使用Xpath网页提取技术对下载网页进行内容解析，使用Redis做分布式，使用MongoDB对提取的数据进行存储，使用Django开发可视化界面对爬取的结果进行友好展示，设计并实现了针对链家网二手房数据的分布式爬虫系统。
经过开发验证，本系统可以完成对链家二手房房源数据的分布式爬取，可以为房源推荐系统提供数据支持，也可以为数据分析师提供二手房数据分析的数据源。
关键词：二手房：分布式爬虫：Scrapy：可视化
2021/10/27 17:34:42
1.06MB
1
推荐系统是当今互联网上最重要的信息服务之一。
近年来，图神经网络已成为推荐系统的新技术。
在这个调研中，我们对基于图神经网络的推荐系统的文献进行了全面的回顾。
我们首先引见了推荐系统和图神经网络的背景和发展历史。
对于推荐系统，一般来说，现有工作的分类分为四个方面:阶段、场景、目标和应用。
对于图神经网络，现有的方法包括谱模型和空间模型两大类。
近年来，图神经网络已成为推荐系统的新技术。
在这个调研中，我们对基于图神经网络的推荐系统的文献进行了全面的回顾。
我们首先引见了推荐系统和图神经网络的背景和发展历史。
对于推荐系统，一般来说，现有工作的分类分为四个方面:阶段、场景、目标和应用。
对于图神经网络，现有的方法包括谱模型和空间模型两大类。
2015/1/5 21:45:53
3.39MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB