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,