README.txt
    本项目提供了实现一个推荐系统的完整流程,包括数据、算法、实验、结果评价。
    项目用到的数据集已经上传至本人博客。
    项目实现了基础的CF算法,包括ItemCF和UserCF以及改进的两种方法,
    并且提供了结合K-Means和社会人口统计信息的相似度计算方法,此方法解决了常见的冷启动问题。
    此外,对于处理流行与冷门商品方面,
    采取John S.BREESE在《Empirical Analysis of Predictive Algorithms for Collborative Filtering》中提到的方法,
    并且进行了改进。此外,实现了对用户兴趣变化情况跟踪的算法,根据用户的兴趣变化速率,实现最接近用户当下兴趣的推荐。
    

    项目简介

    该项目是为了推荐系统初学者创建,提供一些文献和一些推荐方法的实现,以及设计到的一些公式讲解。

    发行版本

    当前项目没有发行版本

    贡献者 1

    开发语言

    • Python 100.0 %