文章目录    基于矩阵分解的CF算法实现（一）：LFM     LFM原理解析 损失函数 随机梯度下降法优化      基于矩阵分解的CF算法实现（一）：LFM LFM也就是前面提到的Funk SVD矩阵分解 LFM原理解析 LFM(latent factor model)隐语义模型核心思想是通过隐含特征联系用户和物品，如下图：   P矩阵是User-LF矩阵，即用户和隐含特征矩阵。LF有三个，表示共总有三个隐含特征。 Q矩阵是LF-Item矩阵，即隐含特征和物品的矩阵 R矩阵是User-Item矩阵，有P*Q得来 能处理稀疏评分矩阵  利用矩阵分解技术，将原始User-Item的评分矩阵（...

文章目录    基于矩阵分解的CF算法实现（二）：BiasSvd     BiasSvd 损失函数 随机梯度下降法优化      基于矩阵分解的CF算法实现（二）：BiasSvd BiasSvd其实就是前面提到的Funk SVD矩阵分解基础上加上了偏置项。 BiasSvd 利用BiasSvd预测用户对物品的评分，k表示隐含特征数量：  损失函数  随机梯度下降法优化  随机梯度下降：  由于P矩阵和Q矩阵是两个不同的矩阵，通常分别采取不同的正则参数，如 λ 1 和 λ 2 \lambda_1和\lambda_2 λ1​和λ2​ 算法实现 ''' BiasSvd Model ''' import...

文章目录    基于内容的推荐算法（Content-Based）     简介 基于内容的推荐实现步骤     问题：物品的标签来自哪儿？ 基于内容推荐的算法流程： 物品冷启动处理：        基于内容的推荐算法（Content-Based） 简介 基于内容的推荐方法是非常直接的，它以物品的内容描述信息为依据来做出的推荐，本质上是基于对物品和用户自身的特征或属性的直接分析和计算。 例如，假设已知电影A是一部喜剧，而恰巧我们得知某个用户喜欢看喜剧电影，那么我们基于这样的已知信息，就可以将电影A推荐给该用户。 基于内容的推荐实现步骤   画像构建。顾名思义，画像就是刻画物品或用户的特征。本质上...

文章目录    基于内容的电影推荐：物品画像 基于TF-IDF的特征提取技术     算法原理 算法举例 加载数据集 基于TF·IDF提取TOP-N关键词，构建电影画像 完善画像关键词      基于内容的电影推荐：物品画像 物品画像构建步骤：  利用tags.csv中每部电影的标签作为电影的候选关键词 利用TF·IDF计算每部电影的标签的tfidf值，选取TOP-N个关键词作为电影画像标签 将电影的分类词直接作为每部电影的画像标签  基于TF-IDF的特征提取技术 前面提到，物品画像的特征标签主要都是指的如电影的导演、演员、图书的作者、出版社等结构话的数据，也就是他们的特征提取，尤其是体征向...

文章目录    基于内容的电影推荐：用户画像     用户画像建立      基于内容的电影推荐：用户画像 用户画像构建步骤：  根据用户的评分历史，结合物品画像，将有观影记录的电影的画像标签作为初始标签反打到用户身上 通过对用户观影标签的次数进行统计，计算用户的每个初始标签的权重值，排序后选取TOP-N作为用户最终的画像标签  用户画像建立 import pandas as pd import numpy as np from gensim.models import TfidfModel from functools import reduce import collections fro...

文章目录    基于内容的电影推荐：为用户产生TOP-N推荐结果    基于内容的电影推荐：为用户产生TOP-N推荐结果 # ...... user_profile = create_user_profile() watch_record = pd.read_csv("datasets/ml-latest-small/ratings.csv", usecols=range(2),dtype={ "userId": np.int32, "movieId": np.int32}) watch_record = watch_record.g...

文章目录    基于内容的电影推荐：物品冷启动处理     word2vec原理简介 Word2Vec Word2Vec使用 Doc2Vec使用      基于内容的电影推荐：物品冷启动处理 利用Word2Vec可以计算电影所有标签词之间的关系程度，可用于计算电影之间的相似度 word2vec原理简介   word2vec是google在2013年开源的一个NLP(Natural Language Processing自然语言处理) 工具，它的特点是将所有的词向量化，这样词与词之间就可以定量的去度量他们之间的关系，挖掘词之间的联系。  one-hot vector VS. word vecto...

1.初始化训练数据权重相等，训练第一个学习器; 2.计算该学习器在训练数据中的错误率; 3.计算该学习器的投票权重: 4.根据投票权重对训练数据重新赋权， 将下一轮学习器的注意力集中在错误的数据上。 5.重复执行1-4步m次。 6.对m个学习器进行加权投票

算法：

1.下载到官网安装包   2.一直点击下一步   3.选择一个安装的盘，命名好  4.安装  5.等待安装   6.完成   7.登陆  这里需要使用企业或者教育邮箱，没有的话可以使用

第一步  第二步  第三步  第四步 编辑  进入到power query  可以修改名字，删除行列 第五步 保存更改  第六步 查看数据  第七步 简单的作图

自定义图像下载资源：https://download.csdn.net/download/qq_35456045/12235168