推荐系统中矩阵分解被最广泛的应用，本项目采用python并在数据集Movielens100K上进行实现。
2024/4/1 1:08:44
746KB
1
用pytorch实现了AutoRec论文中的算法，将AutoEncoder用户推荐系统中的打分矩阵补全。
数据集是ml100k，可以在movielens的网站上下载。
数据集是ml100k，可以在movielens的网站上下载。
2024/3/1 16:28:20
3KB
1
bookcrossing网站的推荐数据集，已经经过预处理，和movielens的数据集格式一致。
第一行是用户数、物品数、总打分数，之后每一行是一条打分记录。
打分从0-10。
可以用于推荐算法的训练。
第一行是用户数、物品数、总打分数，之后每一行是一条打分记录。
打分从0-10。
可以用于推荐算法的训练。
2023/9/3 22:25:35
16.6MB
1
将用户评分和用户属性（性别、年龄等）加权混合推荐1、解压下载的CollaborativeFilteringBasedUserAndGener压缩文件2、操作系统中需装javajdk1.7或者以上版本3、点击start.bat，在运行过程中，会输出评分时间，然后输出用户id进行推荐，同时会输出平均绝对误差MAE4、数据集movielens
2023/8/27 9:08:41
580KB
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，模拟预测评分的python代码（python3.x）希望对大家学习有所帮助。
有问题可以邮箱联系。
有问题可以邮箱联系。
2023/5/30 3:13:07
4.53MB
1
使用matlab实现item-basedcollaborativefiltering，试验数据集为movielens100k。
2023/4/17 0:52:25
14.02MB
1
本收缩包为pycharm工程文件，其中movie文件夹内为movielens的数据集，100k条数据。
代码为python3.6，评释详尽。
驱散一起砚习。
代码为python3.6，评释详尽。
驱散一起砚习。
2023/4/6 20:47:49
19.8MB
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