1.引言许多网站都喜欢让用户点击“喜欢/不喜欢”，“顶/反对”，也正是这种很简单的信息也可以利用起来对用户进行推荐！这里介绍一种基于网络结构的推荐系统！由于推荐系统深深植根于互联网，用户与用户之间，商品与商品之间，用户与商品之间都存在某种联系，把用户和商品都看作节点，他（它）们之间的联系看作是边，那...
分类：
编程语言 时间：
2014-12-27 17:18:09
阅读次数：
239
基于物品的协同过滤算法（ItemCF）是业界应用最多的算法，主要思想是利用用户之前有过的行为，给用户推荐和之前物品类似的物品。基于物品的协同过滤算法主要分为两步：1）计算物品之间的相似度。2）依据物品的相似度和用户的历史行为给用户生成推荐列表。第一步的关键点在于计算物品之间的相似度，这里并不採用基于...
分类：
编程语言 时间：
2014-12-26 09:32:42
阅读次数：
218
1.引言假如你经营着一家网店，里面卖各种商品（Items）,有很多用户在你的店里面买过东西，并对买过的Items进行了评分，我们称之为历史信息，现在为了提高销售量，必须主动向用户推销产品，所以关键是要判断出用户除了已经买过的商品之外还会喜欢哪些商品，这就需要利用用户购买商品过程产生的历史信息。协同过...
分类：
编程语言 时间：
2014-12-24 21:26:39
阅读次数：
339
推荐系统植根于不同的研究领域，比如信息检索、信息过滤和文本分类，采用了不同领域的方法，比如机器学习、数据挖掘和基于知识的系统。
《推荐系统》这本书，是一本导读，向读者提供有关这个领域的概述和简介。
在“最新进展”这一部分，介绍了攻击和应对攻击的对策、在线消费决策的理论、新一代互联网技术发展带来的更多可用信息、移动等普适环境的推荐应用等。...
分类：
其他好文 时间：
2014-12-24 16:22:57
阅读次数：
202
本文转载自懒惰啊我废话：最近朋友在学习推荐系统相关，说是实现完整的推荐系统，于是我们三不之一会有一些讨论和推导，想想索性整理出来。在文中主要以工程中做推荐系统的流程着手，穿插一些经验之谈，并对于推荐系统的算法的学术界最新的研究进展和流派作一些介绍。当然由于我做推荐系统之时还年幼，可能有很多偏颇甚至错...
分类：
其他好文 时间：
2014-12-23 16:56:26
阅读次数：
232
本文引自http://blog.csdn.net/dustinsea/article/details/17394615在设计实现推荐系统，选择推荐算法时， 肯定会考虑协同过滤（CF）的使用，而CF中经常使用的两种方法包括： neighbour-based方法和因式分解。 作为一个搜索推荐系统，百度关...
分类：
其他好文 时间：
2014-12-23 16:54:33
阅读次数：
330
转载自http://semocean.com列了一些之前设计开发百度关键词搜索推荐引擎时， 参考过的论文， 书籍， 以及调研过的推荐系统相关的工具；同时给出参加过及未参加过的业界推荐引擎应用交流资料（有我网盘的链接）， 材料组织方式参考了厂里部分同学的整理。因为推荐引擎不能算是一个独立学科，它与机器...
分类：
其他好文 时间：
2014-12-23 13:57:08
阅读次数：
269
协同过滤显示vs隐式反馈参数调整实例教程协同过滤协同过滤是推荐系统的常用方法。可以填充user-item相关矩阵中的缺失值。MLlib支持基于模型的协同过滤，即使用能够预测缺失值的一个隐藏因素集合来表示用户和产品。MLlib使用交替做小二乘法（alternating least squares, A...
分类：
其他好文 时间：
2014-12-23 12:01:42
阅读次数：
386
基于mahout的itembased算法
其实mahout分布式上只是实现了部分算法。比如推荐算法中Item-based和slopone都有hadoop实现和单机版实现，User-based没有分布式实现。
Mahout已实现的算法（单机版和分布式版）
https://mahout.apache.org/users/basics/algorithms.html
大多...
分类：
编程语言 时间：
2014-12-23 00:18:47
阅读次数：
230
如何进行混合推荐，要考虑两个问题：基础的推荐理论框架和系统的混合设计，也就是组合两个以上算法的方法。
为什么推荐系统需要给出解释：卖家想要宣传特定的产品，而买家则比较关心做出正确的购买决策。解释是一项重要的信息，可以帮助两者在交流过程中提高各自的业绩和效率。
在实际的生产中，我们很少采用这些实验室方法，而是用真实、客观的结果数据，进行A/B测试评估推荐的效果。...
分类：
其他好文 时间：
2014-12-19 17:30:08
阅读次数：
462
