对于目前大规模的电子商务平台，如淘宝、ebey，其用户、商品数量都非常大。淘宝数据显示，2010年淘宝网注册用户达到3.7亿，在线商品数达到8亿，最多的时候每天6000万人访问淘宝网，平均每分钟出售4.8万件商品。假如我们要做User-Item的协同过滤算法，那么U-I矩阵大小是6000万 ×8亿。
分类：
其他好文 时间：
2016-03-05 21:47:42
阅读次数：
187
GBDT(Gradient Boosting Decision Tree)算法参考：http://blog.csdn.net/dark_scope/article/details/24863289 理解机器学习算法：http://blog.csdn.net/dark_scope/article/de
分类：
编程语言 时间：
2016-02-22 22:13:11
阅读次数：
1433
俗话说“物以类聚、人以群分”，拿看电影这个例子来说，如果你喜欢《蝙蝠侠》、《碟中谍》、《星际穿越》、《源代码》等电影，另外有个人也都喜欢这些电影，而且他还喜欢《钢铁侠》，则很有可能你也喜欢《钢铁侠》这部电影。 所以说，当一个用户 A 需要个性化推荐时，可以先找到和他兴趣相似的用户群体 G，然后把 ....
分类：
编程语言 时间：
2016-01-14 22:15:38
阅读次数：
222
在推荐系统众多方法中，基于用户的协同过滤推荐算法是最早诞生的，原理也较为简单。该算法1992年提出并用于邮件过滤系统，两年后1994年被 GroupLens 用于新闻过滤。一直到2000年，该算法都是推荐系统领域最著名的算法。 本文简单介绍基于用户的协同过滤算法思想以及原理，最后基于该算法实现园友的...
分类：
编程语言 时间：
2016-01-08 22:06:53
阅读次数：
458
1、基于用户的协同过滤算法步骤： 1.1找到和目标用户兴趣相似的用户集合 1.2 找到这个集合中的用户喜欢的，且目标用户没有听过的物品推荐给目标用户步骤1的关键是计算2用户的兴趣相似度。2、基于物品的协同过滤算法 2.1计算物品之间的相似度 2.2根据物品的相似度和用户的历史行为给用户生成推...
分类：
编程语言 时间：
2015-12-07 12:27:24
阅读次数：
207
用户电影评分数据集下载http://grouplens.org/datasets/movielens/1)Item-Based,非个性化的，每个人看到的都一样2)User-Based，个性化的，每个人看到的不一样对用户的行为分析得到用户的喜好后，可以根据用户的喜好计算相似用户和物品，然后可以基于相似用户或物品进行推荐。这..
分类：
编程语言 时间：
2015-11-05 19:08:06
阅读次数：
669
Mahout中对协同过滤算法进行了封装，看一个简单的基于用户的协同过滤算法。基于用户：通过用户对物品的偏好程度来计算出用户的在喜好上的近邻，从而根据近邻的喜好推测出用户的喜好并推荐。图片来源程序中用到的数据都存在MySQL数据库中，计算结果也存在MySQL中的对应用户表中。package com.m...
分类：
编程语言 时间：
2015-10-05 23:24:35
阅读次数：
362
这节课时郭强的三维课。他讲的是MAYA和max 。自己对这个也不怎么的感兴趣。而且这个课感觉属于数字媒体。自己对游戏，动画，这些东西一点都不兴趣，比如大一的时候刚开学的时候，张瑞的数字媒体的导论课。还有就是秀霞的动画课，自己记录一下自己的思想我在网上看见了这样一个说法，说的是跟着本科生导师做项目。就...
分类：
编程语言 时间：
2015-09-25 16:13:14
阅读次数：
240
最近在看CF的相关论文，《Collaborative Filtering for Implicit Feedback Datasets》思想很好，很容易理解，但是从目标函数
是如何推导出Xu和Yi的更新公式的推导过程却没有很好的描述，所以下面写一下
推导：
首先对Xu求导：
其中Y是item矩阵，n*f维，每一行是一个item_vec,C^u是n*n维的对角矩阵，
对角线上...
分类：
其他好文 时间：
2015-07-27 21:12:10
阅读次数：
410
隐性反馈行为数据的协同过滤推荐算法
《Collaborative Filtering for Implicit Feedback Datasets》论文笔记
本文是我阅读《CollaborativeFiltering for Implicit Feedback Datasets》论文的笔记，介绍的是对于隐性反馈行为数据协同过滤算法，采取的是隐语义模型（LFM），求解方式是ALS...
分类：
编程语言 时间：
2015-07-16 22:11:37
阅读次数：
250
