基于用户最近邻模型的协同过滤算法的Python代码实现，用户类似度用Pearson相关系数进行计算。
2021/2/6 12:54:55
7KB
1
随着互联网的普及，网络资源的激增，用户很难快速找到需要的信息。
为了提供精确而又快速的推荐,研究者提出了多种推荐算法,其中协同过滤推荐算法是应用最为成功的一种。
协同过滤这一概念初次于1992年由Goldberg、Nicols、Oki及Terry提出,应用于Tapestry系统,该系统仅适用较小用户群(比如,某一个单位内部),而且对用户有过多要求(比如,要求用户显式的给出评价).目前,许多电子商务网站都已经使用了推荐系统,如Amazon、CDNow、Drugstore，当当网上书店和Moviefinder等。
为了提供精确而又快速的推荐,研究者提出了多种推荐算法,其中协同过滤推荐算法是应用最为成功的一种。
协同过滤这一概念初次于1992年由Goldberg、Nicols、Oki及Terry提出,应用于Tapestry系统,该系统仅适用较小用户群(比如,某一个单位内部),而且对用户有过多要求(比如,要求用户显式的给出评价).目前,许多电子商务网站都已经使用了推荐系统,如Amazon、CDNow、Drugstore，当当网上书店和Moviefinder等。
2017/3/10 2:55:05
242KB
1
今天基于Movielens数据集把《推荐系统实践》上的部分算法实现了一下，顺便巩固python和pandas库的使用，发现书本上的代码有很多不靠谱之处（也许是我水平不够），所以基本都是本人写的，不当之处，还望指正。
2019/5/27 4:10:09
6KB
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
一、机器学习的分类：监督学习（supervisedlearning）：线性回归，逻辑回归，KNN，神经网络，决策树，集成学习，SVM，贝叶斯，协同过滤，LDA无监督学习（unsupervisedlearning）：聚类、关联规则，PCA降维……二、机器学习中主要处理问题包括：分类，回归，聚类，降维……
2018/1/7 4:29:10
9KB
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
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