使用matlab实现user-basedcollaborativefiltering，实验数据集为movielens100k。
2025/3/24 5:32:30
10.54MB
1
一个完成的sparkmllib协同过滤推荐算法ALS完整实例程序，基于sparkyarn-client模式运行，另外，包括训练数据。
2025/3/23 12:32:53
866KB
1
基于SVD的图像压缩基于SVD的协同过滤推荐系统我的博客地址：http://blog.csdn.net/jinshengtao/article/details/41387379
2025/2/10 18:33:34
3.95MB
1
高校图书馆个性化图书推荐系统，涉及算法，协同过滤推荐，基于用户的隐式推荐和显示推荐，同时该系统包括前台后台。
借书，还书，查询书籍等都是可以的。
是本科毕业设计
借书，还书，查询书籍等都是可以的。
是本科毕业设计
2025/1/18 17:13:12
58.16MB
1
要有个网上商城，里面有许多商品，用户在浏览一些商品后，系统根据浏览记录再结合其它广大用户的偏好记录，应用基于物品的协同过滤算法，为用户推荐其它商品，目的在于加深对算法的理解及更直观的展示算法
2024/11/1 19:25:47
24.69MB
1
本资源是推荐系统中最基本且最精但的协同过滤推荐算法实现，包括数据集，以及算法的评价指标MAE的计算，数据集采用MovieLens中两个数据集进行测试，需要别的数据集可以根据自己需要添加，只需修改Base.java文件中的配置即可，本程序配备一个readme文件，里面有程序的运行介绍，程序注释详细，希望对大家有帮助。
2024/8/26 5:29:53
551KB
1
准确了解用户对视频热度的选择（PP）的差异性对丰富的用户画像，提高个性化服务精确度和优化产品提供方收益等方面大有替代益。
目前只有少量的统计学方面的研究，在数据稀疏或者大规模启动的情况下不确定性的正确性。
基于大规模商业在线视频流媒体系统的用户观影数据，此处对用户的视频热度替换进行了多角度刻画分析，着重提出了两个基于协同过滤（CF）的算法来预测用户对视频热度的替代。
具体贡献如下：1）通过空模型假设对比实验，发现并非所有用户都偏好热度高的视频；
大多数用户有较广泛的优选范围，但用户之间2）设计了基于最近邻居的（NNI）和基于矩阵分解的（MFI）用户热度首选预测模型。
实验证明，当数据稀疏度低于48％的时候，用NNI或MFI算法初始化所得的用户热度替代比传统方法统计所得的结果更准确。
越稀疏的情况下，这种优势越明显。
此工作对视频系统中推荐服务设计和用户体验优化具有参考意义。
目前只有少量的统计学方面的研究，在数据稀疏或者大规模启动的情况下不确定性的正确性。
基于大规模商业在线视频流媒体系统的用户观影数据，此处对用户的视频热度替换进行了多角度刻画分析，着重提出了两个基于协同过滤（CF）的算法来预测用户对视频热度的替代。
具体贡献如下：1）通过空模型假设对比实验，发现并非所有用户都偏好热度高的视频；
大多数用户有较广泛的优选范围，但用户之间2）设计了基于最近邻居的（NNI）和基于矩阵分解的（MFI）用户热度首选预测模型。
实验证明，当数据稀疏度低于48％的时候，用NNI或MFI算法初始化所得的用户热度替代比传统方法统计所得的结果更准确。
越稀疏的情况下，这种优势越明显。
此工作对视频系统中推荐服务设计和用户体验优化具有参考意义。
2024/8/10 16:42:34
224KB
1
文件是基于物品的协同过滤算法itemCF原理及python代码实现，包含MovieLens数据集中的ml-100k数据集，开发环境是Python2.7.代码是我按照《推荐系统实践》里面的公式写的完整程序，并添加了中文注释。
2024/8/8 4:40:51
3.98MB
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