一种基于信任度的协同过滤推荐方法--《清华大学学报(自然科学版)》2014年03期
一种基于信任度的协同过滤推荐方法
【摘要】：提出了一种基于朋友网数据的推荐方法,包括好友推荐和应用服务推荐。通过分析朋友网中用户之间的好友关系、互动行为等来计算用户之间的信任度,可以获取更真实的社会关系;根据计算得到的信任度构建用户社会网络,并根据凝聚子群和朋友网中已有的分组信息对构建的社会网络进行社区划分,可以获得更细的社会关系;根据已获得的社区和用户使用的应用服务,提出了一种朋友网中好友和应用服务的推荐计算方法,在计算应用服务推荐时区分了社区内和社区外的用户与目标用户相似度计算方法的不同,提高了寻找近似邻居的准确率以及服务推荐的准确率。
【作者单位】：
【关键词】：
【基金】：
【分类号】：TP391.3【正文快照】：
随着Web2.0技术的不断完善,近几年,社交网得到了迅速发展,国外的Facebook、Twitter以及国内的开心网、朋友网等都是社交网络的成功案例。在朋友网中,根据用户自身的信息,主要是注册时的学校、班级信息或好友信息为用户推荐现实世界可能存在的好友关系,比如推荐相同学校、相同
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【参考文献】
中国期刊全文数据库
黄武汉;孟祥武;王立才;;[J];电子与信息学报;2011年12期
刘建国;周涛;郭强;汪秉宏;;[J];复杂系统与复杂性科学;2009年03期
陈佳;匡智锋;李敏;;[J];计算机工程;2012年09期
王玉祥;乔秀全;李晓峰;孟洛明;;[J];计算机学报;2010年11期
甘早斌;丁倩;李开;肖国强;;[J];软件学报;2011年10期
【共引文献】
中国期刊全文数据库
朱郁筱;吕琳媛;;[J];电子科技大学学报;2012年02期
苏莹;;[J];电脑知识与技术;2012年03期
汪秉宏;周涛;刘建国;;[J];复杂系统与复杂性科学;2010年Z1期
胡斌;徐小良;;[J];电子科技;2012年07期
赵岩露;王晶;沈奇威;;[J];电信工程技术与标准化;2012年11期
肖觅;孟祥武;史艳翠;;[J];电子与信息学报;2012年10期
张亮;柏林森;周涛;;[J];电子科技大学学报;2013年01期
黄永锋;覃罗春;;[J];东华大学学报(自然科学版);2013年01期
王玉斌;孟祥武;胡勋;;[J];电子与信息学报;2013年10期
王睿;魏祥麟;吴礼发;;[J];北京邮电大学学报;2013年05期
中国重要会议论文全文数据库
王国霞;刘贺平;李擎;;[A];第25届中国控制与决策会议论文集[C];2013年
中国博士学位论文全文数据库
任磊;[D];华东师范大学;2012年
谢海涛;[D];北京邮电大学;2012年
王立才;[D];北京邮电大学;2012年
杜瑞忠;[D];武汉大学;2012年
邢星;[D];大连海事大学;2013年
陈根浪;[D];浙江大学;2012年
张尧;[D];哈尔滨工业大学;2013年
史艳翠;[D];北京邮电大学;2013年
李聪;[D];国防科学技术大学;2012年
陈浩;[D];中南大学;2012年
中国硕士学位论文全文数据库
何莹杰;[D];哈尔滨工程大学;2010年
仵雪婷;[D];南昌大学;2010年
金亚亚;[D];华东理工大学;2011年
马鸣卉;[D];电子科技大学;2010年
曾芳;[D];西北大学;2011年
张玉;[D];合肥工业大学;2011年
肖丹萍;[D];暨南大学;2011年
孙凯;[D];南京信息工程大学;2011年
韩增义;[D];电子科技大学;2011年
赵帆;[D];中南民族大学;2011年
【二级参考文献】
中国期刊全文数据库
崔亚洲;段刚;;[J];电子科技大学学报(社科版);2006年03期
方娟;梁文灿;;[J];电子与信息学报;2010年07期
胡海波;王科;徐玲;汪小帆;;[J];复杂系统与复杂性科学;2008年02期
黄润才;庄怡雯;周集良;曹奇英;;[J];计算机应用;2009年03期
朱庆华;李亮;;[J];情报理论与实践;2008年02期
张骞;张霞;文学志;刘积仁;Ting S;[J];软件学报;2006年01期
胡海波;徐玲;王科;汪小帆;;[J];上海交通大学学报;2009年04期
刘建国;周涛;汪秉宏;;[J];自然科学进展;2009年01期
【相似文献】
中国期刊全文数据库
穆海冰;刘云;张长伦;;[J];计算机应用;2006年12期
农毅;古天龙;;[J];沿海企业与科技;2006年11期
李丹;陈利;李功丽;王光伟;;[J];计算机应用;2007年08期
卢竹兵;唐雁;;[J];西南师范大学学报(自然科学版);2008年02期
颜学雄;王清贤;马恒太;;[J];计算机应用研究;2008年07期
田宇;申文果;朱翊敏;谢志才;;[J];科技管理研究;2008年10期
崔永瑞;李明楚;胡红钢;任一支;;[J];计算机科学;2008年12期
吴海珍;陈沅涛;;[J];计算机工程;2009年11期
徐巧枝;刘东升;;[J];内蒙古师范大学学报(自然科学汉文版);2009年03期
胡海江;顾睿菲;侯文玫;张凤登;;[J];应用科学学报;2009年04期
中国重要会议论文全文数据库
白保存;李中学;;[A];第九届全国青年通信学术会议论文集[C];2004年
何菊霞;甘早斌;;[A];全国计算机安全学术交流会论文集·第二十五卷[C];2010年
何满潮;苏永华;;[A];第六届全国工程地质大会论文集[C];2000年
张鸿;刘欣然;杨君佐;夏光升;;[A];全国网络与信息安全技术研讨会论文集（下册）[C];2007年
孔华锋;鲁宏伟;张辉;;[A];全国计算机安全学术交流会论文集·第二十五卷[C];2010年
李鹏;李长云;饶居华;;[A];2008年全国开放式分布与并行计算机学术会议论文集(上册)[C];2008年
毛淑珍;乐国林;;[A];中国会计学会第八届全国会计信息化年会论文集[C];2009年
岳磊;叶震;宋卫卫;;[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年
史庭俊;桑霞;徐力杰;殷新春;;[A];2008年全国开放式分布与并行计算机学术会议论文集(下册)[C];2008年
刘万志;师恩培;;[A];2009年全国开放式分布与并行计算机学术会议论文集(下册)[C];2009年
中国重要报纸全文数据库
记者：方烨;[N];经济参考报;2005年
毛庆;[N];南京日报;2008年
黄珍;[N];中国妇女报;2004年
温建中;[N];中国建材报;2001年
本报记者　 王健生;[N];中国改革报;2006年
;[N];中国工业报;2005年
李莹;[N];经济观察报;2005年
叶雷;[N];中国医药报;2006年
陈刚　王晓瑜;[N];新华每日电讯;2005年
李俊雄;[N];东莞日报;2011年
中国博士学位论文全文数据库
黄清元;[D];国防科学技术大学;2008年
董恩宏;[D];上海交通大学;2012年
郭韦钰;[D];中国科学院研究生院（计算技术研究所）;2006年
吴娴;[D];大连海事大学;2007年
曲向丽;[D];国防科学技术大学;2006年
孙国栋;[D];华中科技大学;2008年
王杨;[D];苏州大学;2009年
罗鑫;[D];北京邮电大学;2009年
范春晓;[D];北京邮电大学;2008年
田春岐;[D];北京邮电大学;2007年
中国硕士学位论文全文数据库
王华;[D];哈尔滨工业大学;2006年
吴茹笑;[D];同济大学;2008年
岳磊;[D];合肥工业大学;2008年
胡愫;[D];华中科技大学;2007年
程男男;[D];西安电子科技大学;2005年
钟炜;[D];大连理工大学;2007年
向峰;[D];武汉理工大学;2008年
张瑾;[D];兰州大学;2008年
裴俐春;[D];解放军信息工程大学;2008年
辛晶晶;[D];中南大学;2010年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备74号1 概述电子商务推荐系统最大的优点在于它能收集用户的兴趣资料和个人信息，根据用户兴趣偏好主动为用户做出个性化推荐。推荐技术指的是如何找出用户感兴趣的商品并列出推荐清单，在用户信息获取差别不大的情况下，推荐技术成为决定一个推荐系统性能的关键，其中推荐算法是推荐技术的核心[1]。协同过滤技术是实际应用中使用最广泛的推荐技术，包括 在内许多网上书店都在使用协同过滤技术。协同过滤是一种基于用户间关联性的推荐算法，该推荐方法将购买习惯或兴趣相同的用户归类在同一个群体中，同群体内的用户彼此之间可以分享信息，互相推荐商品。应用协同过滤技术的著名的推荐系统包括GroupLens/NetPerceptions[2], Ringo/Firefly[3], Tapestry[4]等。协同过滤技术存在的不足主要表现为最近邻居的准确性问题，即在客户对商品评分数据比较少的时候，单纯地使用客户的注册兴趣信息和评分数据难以准确地确定最近邻居，从而导致推荐质量降低，这种问题是协同过滤技术本身无法克服的，需要对其进行改进。本文针对协同过滤算法中的最近邻居判断准确性问题，综合显性兴趣度、隐形兴趣度和预测兴趣度3 种用户兴趣指标提出了综合兴趣度的概念，并将这种基于综合兴趣度的协同过滤方法应用于一种图书推荐系统中。实验结果表明，该方法提高了计算用户最近邻居的准确性，进而对推荐系统的推荐质量起到了明显的优化作用。2 基于综合兴趣度的协同过滤方法协同过滤方法的关键在于确定用户的最近邻居，确定最近邻居的基础是计算用户之间的相似性，兴趣度是计算用户相似性的重要指标。一般来说，用户相似性计算方法包括余弦相似性、修正的余弦相似性、相关相似性等[5]。传统的兴趣度计算方法主要考虑用户提供的注册信息和显性商品评分，即显性兴趣度，由于显性兴趣不能完整地体现用户真实兴趣，因此上述3 种方法在单纯采用显性兴趣度计算用户相似性方面均存在一定的缺陷[6]。采用余弦相似性度量时，对于未评分商品的兴趣评分都设为0，即兴趣度相同，但事实上用户对未评商品类的兴趣度不可能完全相同。修正的余弦相似性采取了对未评分项目设置平均评分值的改良措施，但仍未有效解决问题。相关相似性度量仅对都有评分的项目进行度量，这在有共同评分项目较多的情况下较为准确，若在共同评分项目较少时，则偏差可能较大。在心理学中，人的兴趣包括主观的表述、客观的描述及基于知识和经验有可能发生的兴趣预期。具体到推荐系统中，主观的兴趣表述可以理解为用户在兴趣调查表中主动提供本人的兴趣倾向，这种表述相对固定，属于显性兴趣度。用户的浏览行为反映了用户的实际需要，浏览的行为不断变动往往表示原有兴趣的调整，这是用户兴趣的客观描述，属于隐性兴趣度。在用户的未评分项目中，用户未来的评分可通过分析项目的特性和用户的兴趣规律进行预测，这是根据已有资料对用户兴趣的合理预期，属于预测兴趣度。一些学者在研究中提到了利用用户浏览行为计算用户隐性兴趣度[7]或用商品间的关联信息预测用户对某些商品的评分情况[8]的思想，但这些方法仅考虑了用户兴趣中的一部分，并没有完整地描述用户兴趣。因此，本文提出了结合显性兴趣度、隐性兴趣度(统称为已有兴趣度)和预测兴趣度的综合兴趣度的概念，综合兴趣度能使用户间的相似性度量更为准确，更完整地反映用户的兴趣倾向。基于综合兴趣度的协同过滤方法包括以下步骤：获取用户对商品的兴趣评分，结合对用户浏览行为的分析得到已有兴趣度；结合已有兴趣度和预测兴趣度，分析用户之间兴趣的相似程度，选取一群与用户有相近兴趣的最近邻居；从最近邻居感兴趣的商品中，预测用户对某一商品的喜好，最终产生推荐结果。2.1 已有兴趣度的获取很多早期的协同过滤系统往往只采用显性兴趣度产生推荐，显性评分的信息一般较为准确，但由于用户注册时一般填写的项目不多，用户有共同显性评分的项目更为稀少，若单独以此进行用户相似程度的比较，误差较大，因此需要综合隐性评分，提高用户间相似程度判定的准确性。已有兴趣度的获取包括显性兴趣度获取和隐性兴趣度获取2 部分。显性兴趣度来源于用户的显式评分，需要用户有意识地表达自己对商品信息的认同程度。一般的协同过滤推荐方法常用整数值(如1~9 等级)来表示喜欢的不同程度，本算法以规范化成0~1 的兴趣度表示。设Re(i,j)为用户i 对全部n 个商品类中的商品类j 的显性兴趣度，1 表示全部显性兴趣，则有：隐性兴趣度来源于用户对商品的浏览行为信息。在用户-商品矩阵中，评分数据为用户浏览过该商品的次数，0 表示尚未发生兴趣，次数越多则兴趣越高。隐性兴趣度的获取方法较为简单，可从用户的浏览记录库中得到隐性兴趣度。对于某个商品类的隐性兴趣评分，可用用户浏览的该商品类在其整个浏览记录中的比例表示。设Ri(i,j)表示用户i 对全部n个商品类中的类j 的隐性兴趣度，1 表示全部隐性兴趣，则有：通过上述的方法得到显性兴趣度和隐性兴趣度后，将两者结合，形成用户的已有兴趣度，以线性关系结合这2 个兴趣度，得到用户i 对商品类j 的已有兴趣度：其中，α 为显性兴趣度的比重参数，α 取值越大则显性兴趣度越为重要；m 表示在浏览记录数据库中该用户浏览商品的总数。2.2 综合兴趣度的获取与最近邻居的形成在获取综合兴趣度之前，首先必须获得预测兴趣度，本文利用商品的属性分类关系和顾客所购物的关联性，建立商品的属性向量表达式和顾客的兴趣向量表达式，从而预测用户对某未评分商品的兴趣度。首先将所有的商品分类，建成一个有阶层的分类树，每个商品属于分类树的最底层中的其中一类，最底层的每一类对应一个商品属性，然后将所有属性构成每个商品的属性向量。属性权重的设定根据商品在分类树中所在的类别与其他类别的分类关系，及类别之间的关联规则。其中，关联规则是根据顾客的购买记录在各层类别中的分布，挖掘每一层中同层类别之间的关联规则。假设在全部n 个商品类中，每个商品类作为特征项，则任一商品类j 可以表示为一个n 维特征向量：其中， Ps, j 为第s 个特征项的权重，本系统将Ps, j 的取值规定为其中，C(s)和C( j ) 表示商品类s 和j 的父类；s=>j 表示s和j 之间存在强关联关系。得到每个类的特征向量后，就得到类间的一种关联关系，通过这种关系，可以利用已评分类预测未评分类。设经用户i 已评分的类集合用Ai 表示，k ∈Ai，未评分商品类m?Ai，Ri,k 表示用户i 对已评分类k 的兴趣度，那么用户i 对未评分的类j 的预期值Pri,j 为规范化处理使全部的预期兴趣度为 1，则用户i 对未评类j 的预期兴趣度i, j Rp 为为了结合已有兴趣度和预期兴趣度，设定系数β (0≤β ≤1)以平衡已有兴趣度与预期兴趣度的比例，得到综合兴趣度：判别 2 个用户是否是邻居需要比较这2 个用户的兴趣相似性，相似性度量方法常用的有余弦相似性、修正的余弦相似性和相关相似性等。由于按照本文的方法可得到较为完整的兴趣评分，因此本文采用余弦相似性作为度量方法。设用户i 和用户j 在n维类上的兴趣度分别表示为向量i 和j，则用户i 和用户j 之间的相似性sim(i,j)为其中， ‘Ri,d 和’Rj,d 分别表示用户i 和用户j 对类d 的兴趣度。寻找最近邻居的目标就是对每一个用户u，在整个用户空间中查找用户集合D=(d1,d2,…,dk)，使得u ?D，并且d1 与u 的相似性sim(u,d1)最高，d2 与u 的相似性sim(u,d2)次之，依此类推。2.3 推荐结果的产生通过上述的相似性度量方法得到目标用户的最近邻居 后，需要利用最近邻居的观点为目标用户产生相应的商品推荐 。常用的预测目标用户未评分项目评分的方法是综合最近邻居对未评分项目的评分，作为目标用户对预测项目的评分。本文采用最频项推荐为目标用户产生Top-N 推荐：在浏览记录库中，扫描目标用户每个最近邻居的浏览记录，对其浏览的商品进行计数，选择出现频率最高且目标用户尚未浏览过的前N 个商品作为推荐内容。设目标用户u 浏览商品的集合为A，最近邻居浏览商品的集合为D，候选推荐商品的集合
C=D-A，候选商品b ∈A，那么候选商品b 对于用户u 的推荐度Recb,u 为其中， d ,bd CCount∈ Σ为浏览过商品b 的的最近邻居的数目；Sumc为最近邻居总数。3 实验及结果分析为了验证本系统的推荐效果，在小范围内进行了实验，用平均绝对偏差作为测量标准对协同过滤推荐的实验结果进行了度量，并通过对比分析验证了基于综合兴趣度的方法的有效性。3.1 实验过程与评价标准为了方便测试，实验前系统录入了约 1 000 本计算机书籍，邀请了某公司82 个员工参与实验，实验期为1 个月。实验的前20 天为用户自由浏览时间，系统不产生推荐，要求实验用户进行注册及填写显性评分，实验的后10 天系统为注册用户产生推荐清单，并要求用户对每个推荐书目进行满意程
度反馈。本文评价协同过滤推荐效果时，采用平均绝对偏差(Mean Absolute Error, MAE)作为测量推荐系统满意度的公式，MAE 用于测量推荐值与实际评价值之间的偏差，可以直观地度量推荐质量，MAE 越小，推荐质量越高[9]。本实验用户u 的平均绝对偏差为其中，n 为Top-N 的推荐总数； pu,i 为实际评分； qu,i为相应的预测评分。3.2 实验结果分析系统得到实验数据后，分别在推荐 Top-10, Top-20 和Top-30 的范围内，将实验用户的推荐结果及其反馈的满意度进行比较，然后分别利用平均绝对偏差公式对基于综合兴趣度的方法和传统的基于显性兴趣度的方法进行计算。计算的结果如表1 所示，对比分析如图1 所示。从图1 可知，MAE 值在0.12~0.17 之间，表明系统能起到较好的推荐效果，随着Top-N 数量增多，MAE 值呈下降趋势，表明了Top-N 中N 值较大时用户满意度高。传统的协同过滤方法仅使用显性兴趣度作为用户相似性的计算指标，其计算最近邻居的准确度较低，从实验结果可看出其MAE 值较高，推荐质量不高。本文的推荐方法使用了综合兴趣度作为用户相似度的计算指标，实验表明在相同条件下MAE 值有了明显的降低，可见基于综合兴趣度的推荐方法能够有效地提高协同推荐系统的推荐质量。参考文献
[1] Varian R. Recommender Systems[J]. Communications of the ACM,): 56-58.
[2] Resnick P, Iacovou N, Suchak M. Grouplens: An Open Architecturefor Collaborative Filtering of Netnews[C]//Proc. of the Conference on Computer Supported Cooperative Work. Chapel Hill, NC, USA: [s. n.], 6.
[3] Shardanand U, Maes P. Social Information Filtering: Algorithms for Automating “Word of Mouth”[C]//Proc. of the ACM CHI Conference. Denver, Colorado, USA: [s. n.], 1995.
[4] Goldbergd N D, Oki B M. Using Collaborative Filtering to Weave an Information Apestry[J]. Communications of the ACM, ): 61-70.
[5] Sarwar B M, karypis G, Konstan J A, et al. Item-based Collaborative Filtering Recommendation Algorithms[C]//Proc. of the 10th International World Wide Web Conf.. Hong Kong, China: [s. n.], 5.
[6] 邓爱林, 朱扬勇, 施伯乐. 基于项目评分预测的协同过滤推荐算法[J]. 软件学报, ): .
[7] 陈东林, 聂规划. 基于商品属性隐性评分的协同过滤算法研究[J]. 计算机应用, ): 966-968.
[8] 白丽君, 刘君强. 一种解决协作过滤中矩阵稀疏性问题的算法[J]. 情报学报, ): 199-202.
[9] Breese J S, Kadie C. Empirical Analysis of Predictive Algorithms forCollaborative Filtering[C]//Proc. of the Conference on Uncertainty in Artificial Intelligence. Madison, Wisconsin, USA: [s. n.], 1998.　
　文章为作者独立观点，不代表微头条立场
的最新文章
需要澄清两点之后才可以比较全面的看这个问题：1. 百万行级不算大数据量，以目前的互联网应用来看，大数据量的起Amazon EC2 Container Service (ECS) 是一个高度可扩展的高性能软件容器管理服I'm not sure if Google has stopped using MR completely在作业初始化工作完成之后就开始执行Map Task任务了，这个是由Mapper负责的，Mapper的作用就是我们可以从备用数据库里收集有关联的数组和数据,并使用Hadoop进行分析。或者我们可以通过机器学习技术现有数此稿介绍了Twitter的核心数据类库团队，在使用Hadoop处理离线任务时，使用的性能分析方法，及由此发现的问题和优化手段，对如何分析Hadoop Job的开销、MapReduce阶段的高开销问题及优化等给出了实际可操作的方案。【编者按】2015年ICML的深度学习研讨会，压轴大戏是关于深度学习未来的讨论。基于平衡考虑，组织方分别邀请其实PGM本身要看的东西不多，看看怎么建模，怎么Inference，怎么Learning，就差不多了。但是，除了云端，余凯认为在终端上，将有一个巨大的机会----即所谓的机器人的大脑芯片，未来，所有的消费电子及其它设“2015年全球服务类机器人的市场已经达到了200亿美元的规模，但是，大部分的服务机器人现在还停留在扫地机器Hadoop，HBase，NO-SQL是当今业界比较火的一些名词。满互联网都是对它的他们的赞许，其实光芒的背通过选择正确的技术与合作伙伴,确保基础架构与业务优先事项同时兼顾由于混合云具有平衡能力，它已成为一种领先的云简介：李舰先生现任堡力山（PMI）集团副总，曾任 Mango Solutions 中国区数据总监。专注于数据　JAVA项目如何通过Docker实现持续部署（只需简单四步），即： 开发同学通过git push上传代码，Big Data technology has been extremely disruptive with在科学技术刚刚萌芽的时候，科学家Blaise Pascal和Von Leibniz就想到了有朝一日能够实现人大数据变现是大数据热潮中最现实的话题之一。专注于大数据分析、数据仓库和整合营销管理解决方案的供应商美国Ter在各种各样的数据科学论坛上这样一个问题经常被问到——机器学习和统计模型的差别是什么？这确实是一个难以回答的问统计建模和工程开发很相似。在工程开发中，人们有多种方法搭建一套键-值存储系统，每种设计针对使用模式有一套不同的假设。许多分布式计算系统都可以实时或接近实时地处理大数据流。本文将对三种Apache框架分别进行简单介绍，然后尝试在深度学习（Deep Learning）的热潮下，Caffe作为一个高效、实用的深度学习框架受到了广泛的关注理论和计算机硬件的进步促使神经网络成为在线服务的核心部分，如微软的Bing，采用神经网络驱动图像搜索和语音识深度学习尽管对当前人工智能的发展作用很大，然而深度学习工作者并非一帆风顺。Chris Edwards发表于C一、背景故事：
某男到医院就诊，医生亲切地问了一些该男的症状，最后得出结论：“医生说我怀孕了。。。”血淋　电信运营商提供基础通信管道连接每一位用户。每天数以亿计的用户会在管道中留下通信行为数据，构成运营商大数据。沃顿商学院运营与信息管理学教授桑德拉·希尔（shawndra hill）表示：“这是一个非常激动人心的时代。并行计算模型和框架目前开源社区有许多并行计算模型和框架可供选择，按照实现方式、运行机制、依附的产品生态圈等可“越少的假设，越好的结果”商业情景：当我们选择一种模式去拟合数据时，过度拟合时常见问题。一般化的模型往往能够的讨论话题，出现了seriesly、influxDB、prometheus等优秀项目。原文作者Jason m前言：本来上一章的结尾提到，准备写写线性分类的问题，文章都已经写得差不多了，但是突然听说最近Team准备做一机器学习可不是一个完全的技术性的东西，之前和部门老大在outing的时候一直在聊这个问题，机器学习绝对不是一前言:上次写过一篇关于贝叶斯概率论的数学，最近时间比较紧，coding的任务比较重，不过还是抽空看了一些机器我是去年底开始看Caffe代码的，看代码的时间加在一起也不到一个月，也算半个新手，我的回答是从新手角度作一个斯坦福大学在三月份开设了一门“深度学习与自然语言处理”的课程：CS224d: Deep Learning f斯坦福大学在三月份开设了一门“深度学习与自然语言处理”的课程：CS224d: Deep Learning f斯坦福大学在三月份开设了一门“深度学习与自然语言处理”的课程：CS224d: Deep Learning f前言：第二篇的文章中谈到，和部门老大一宁出去outing的时候，他给了我相当多的机器学习的建议，里面涉及到很最近接手数据分析工作（手游渠道），谈谈我的思路。一、ROI是唯一关心的投入（Investment）我主要指给前言：上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值日前，在Spark1.4.0中新推出了可视化功能，用以更好的了解Spark应用程序的行为。Spark贡 献者一. 简单的说贝叶斯定理：贝叶斯定理用数学的方法来解释生活中大家都知道的常识形式最简单的定理往往是最好的定理If you’re an aspiring data scientist, you’re inquisitiHive是基于Hadoop分布式文件系统的，它的数据存储在Hadoop分布式文件系统中。Hive本身是没有专1 概述电子商务推荐系统最大的优点在于它能收集用户的兴趣资料和个人信息，根据用户兴趣偏好主动为用户做出个性化近年来，以第三方支付、P2P平台、众筹为代表的互联网金融模式引起了人们的广泛关注，该模式大量运用了搜索引擎、Big Data是近来的一个技术热点，但从名字就能判断它并不是什么新词。毕竟，大是一个相对概念。历史上，数据一、来源Streaming Hadoop Performance Optimization at Scaledatamining-engineer打破数据孤岛，真实了解用户，在恰当的时间、恰当的渠道以恰当的形式传递给恰当的人——是的，我是数据挖掘攻城狮，大数据时代，你要的就在这里热门文章最新文章datamining-engineer打破数据孤岛，真实了解用户，在恰当的时间、恰当的渠道以恰当的形式传递给恰当的人——是的，我是数据挖掘攻城狮，大数据时代，你要的就在这里基于用户协同过滤算法的电影推荐系统_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
基于用户协同过滤算法的电影推荐系统
上传于||暂无简介
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
下载文档到电脑，查找使用更方便
还剩20页未读，继续阅读
你可能喜欢}