自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

Jaker的博客

专注各类先进开发技术的研究

原创 java系统高并发解决方案

1.HTML静态化 --信息发布系统CMS2.图片服务器分离：建立独立的图片服务器，比如apache在配置ContentType的时候可以尽量少支持，尽可能少的LoadModule，保证更高的系统消耗和执行效率。3.数据库集群和库表散列 oracle的三种高可用集群方案一。Rac(实时应用集群)多个Oracle服务器组成一个共享的Cache，而这些Oracle服务器共享一个基于

2018-01-19 13:43:01 508

原创基于物品的协同过滤推荐算法(ItemCF)

。首先给用户行为定义相应的权重积分。算法思路：给用户推荐那些和他们之前喜欢的物品相似的物品实例如下：算法步骤：（1）余弦相似度计算计算逻辑,以物品1和物品2为例; 计算得：对比评分矩阵，对于已经推荐过的物品要去除推荐去除推荐就是置为0，并且选出评分最高的

2018-01-13 10:13:27 8338 12

数据结构课件 ppt完整

数据结构完整ppt，详细，完整，清新易懂~~~~

2011-04-03

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

xj6591073 CSDN认证博客专家 CSDN认证企业博客

码龄14年

IP 属地：上海市

IP属地以运营商信息为准，境内显示到省（区、市），境外显示到国家（地区）

2: 原创

57万+: 周排名

34万+: 总排名

8845: 访问

: 等级

137: 积分

5: 粉丝

14: 获赞

12: 评论

71: 收藏

私信

关注

热门文章

分类专栏

最新评论

基于物品的协同过滤推荐算法(ItemCF)
小、毓: 为什么相似度矩阵*评分矩阵=推荐列表吖？
基于物品的协同过滤推荐算法(ItemCF)
qq_43765347: [code=java] double weight=0;/*余弦相似度*/ double numerator=0;/*余弦分子*/ double denominatorI=0;/*余弦分母I*/ double denominatorJ=0;/*余弦分子J*/ for(int k=0;k<3;k++){ numerator = numerator + userItemScore_mat.getAsDouble(i,k) * userItemScore_mat.getAsDouble(j,k); denominatorI = denominatorI + userItemScore_mat.getAsDouble(i,k) * userItemScore_mat.getAsDouble(i,k); denominatorJ = denominatorJ + userItemScore_mat.getAsDouble(j,k) * userItemScore_mat.getAsDouble(j,k); } weight=numerator/(Math.sqrt(denominatorI)*Math.sqrt(denominatorJ)); itemSimilarity_mat.setAsDouble(weight,i,j); itemSimilarity_mat.setAsDouble(weight,j,i); } } System.out.println("物品相似度矩阵："+itemSimilarity_mat); /*推荐矩阵=相似度矩阵*评分矩阵*/ Matrix recommend_mat=itemSimilarity_mat.mtimes(userItemScore_mat); [/code]
基于物品的协同过滤推荐算法(ItemCF)
qq_43765347: java代码暴力实现：[code=java] Matrix userItemScore_mat = Matrix.Factory.zeros(6, 3); System.out.println("矩阵mat:"+userItemScore_mat); userItemScore_mat.setAsDouble(2,0,0); userItemScore_mat.setAsDouble(5,0,2); userItemScore_mat.setAsDouble(10,1,0); userItemScore_mat.setAsDouble(3,1,1); userItemScore_mat.setAsDouble(15,2,2); userItemScore_mat.setAsDouble(3,3,0); userItemScore_mat.setAsDouble(5,3,2); userItemScore_mat.setAsDouble(3,4,1); userItemScore_mat.setAsDouble(5,5,0); userItemScore_mat.setAsDouble(5,5,1); System.out.println("用户商品评分矩阵:"+userItemScore_mat); /*计算物品相似度矩阵*/ Matrix itemSimilarity_mat = Matrix.Factory.zeros(6, 6); for(int i = 0;i< 6;i++){ for (int j =i;j<6;j++){ if(i==j){ itemSimilarity_mat.setAsDouble(1,i,j); continue; } double weight=0;/*余弦相似度*/ [/code]
基于物品的协同过滤推荐算法(ItemCF)
qq_36653015: 棒！
基于物品的协同过滤推荐算法(ItemCF)
CDnGJVLbC5: 代码实现： [code=python] import numpy as np import pandas as pd from sklearn.metrics.pairwise import cosine_similarity data = [[2, 0, 5],[10, 3, 0],[0, 0, 15],[3, 0, 5],[0, 3, 0],[5, 5, 0]] score_matrix = pd.DataFrame(data, columns=['A', 'B', 'C'], index=range(1,7)) sim_matrix = cosine_similarity(score_matrix) rec_list = sim_matrix.dot(score_matrix) rec_list = pd.DataFrame(rec_list, columns=['A', 'B', 'C'], index=range(1,7)) rec_list = rec_list.round(1) # 只保留小数点后 1 位 rec_list[score_matrix != 0] = 0 # 向用户推荐对应 item 编号的商品 print(pd.DataFrame(rec_list[['A', 'B', 'C']].idxmax(axis=0), columns=['item'])) [/code]

最新文章

提示

确定要删除当前文章？

取消删除