基于web端的个性化电影推荐系统设计与实现(源代码),采用Apache+Php+MySql框架,通过协同过滤算法对数据集进行训练,最终得到的结果存储到数据库中,web页面调用进行展示。
2023/8/28 13:27:15 52KB 个性化推荐 电影推荐
1
该资源为正在研究推荐系统的人们提供了FourSquare和Gowalla两大数据集,是经过处理过的,被用于RankGeoFM方法试验对比。
有需要的可以下载
2023/8/24 18:55:50 1.84MB FourSquare数据集 推荐算法
1
基于CNN的电影推荐系统的实现代码,在jupyter中可以查看
2023/8/2 7:14:31 190KB AI
1
为了解决Internet上的信息迅速膨胀,出现的信息过载的问题,用户要在大量信息中挑选出自己真正需要的信息好比大海捞针,传统的搜索型产品存在一些不足,无法真正解决信息爆炸的问题,而推荐系统则是一个很好的选择。
本系统采用了基于item-user混合协同过滤算法来为用户推荐真正自己感兴趣的产品,提高了推荐的精准性,相对于传统推荐系统多了从item的角度去分析。
2023/7/25 20:49:31 722KB item-user
1
基于用户和物品的推荐系统,比较值得机器学习行业分析
2023/7/24 14:20:02 4.1MB 推荐系统 机器学习
1
是在协同过滤算法上的一个改进,从而设计出的一个个性化推荐算法
2023/7/18 5:36:21 351KB 协同过滤
1
基于矩阵分解的协同过滤的电影推荐系统,Python实现。
2023/7/13 17:09:31 32KB AI
1
这是用Python写的一个电影推荐系统,希望对他人有帮助。
亲测可用,谢谢支持。
2023/7/13 2:09:41 1.56MB 推荐系统
1
可以用,真的可以用。
python语言。
里面有四个数据包,算法所需要的基础数据。
强调真的可以用。
2023/7/9 12:51:26 866KB python
1
实现过程:1、得到用户兴趣表,横轴为movie_id,纵轴为user_id2、计算任何两位用户之间的相似度或者是相关性3、取与某用户相似度最高的若干个用户的兴趣推荐给该用户(或者找到和每个用户相关系数在阈值以上的用户,并将他们喜欢的电影推荐给该用户)
2023/7/2 12:57:55 5KB 推荐系统 协同过滤
1
共 117 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡