陈敬雷的课程社区_NO_1
4、CF协同过滤用户行为挖掘
墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网
我也要 关注 + 加入社区| 课时名称 | 课时知识点 |
|---|---|
| 4、CF协同过滤用户行为挖掘 | 协同过滤 (Collaborative Filtering, 简称 CF)作为经典的推荐算法之一，在电商推荐推荐系统中扮演着非常重要的角色，比如经典的推荐为如看了又看、买了又买、看了又买、购买此商品的用户还相同购买等都是使用了协同过滤算法。尤其当你网站积累了大量的用户行为数据时，基于协同过滤的算法从实战经验上对比其他算法，效果是最好的。基于协同过滤在电商网站上用到的用户行为有用户浏览商品行为，加入购物车行为，购买行为等，这些行为是最为宝贵的数据资源。比如拿浏览行为来做的协同过滤推荐结果叫看了又看，全称是看过此商品的用户还看了哪些商品。拿购买行为来计算的叫买了又买，全称叫买过此商品的用户还买了。 |
...全文
相关推荐
深入浅出Hadoop Mahout数据挖掘实战 第09课-Mahout数据挖掘工具(9) 共12页.pptx
基于用户的CF预测用户1对商品4的喜好程度时，会考察与用户1有相似评分行为的其他用户对商品4的评价；而基于物品的CF则会依据用户1对类似商品的评分来预测其对商品4的兴趣。
mahout 0.4版本
这些发现可以用于购物篮分析、网络日志分析等领域，帮助企业优化产品布局或预测用户行为。在Mahout 0.4中，**协同过滤（Collaborative Filtering）**也是一个关键特性。
travel 基于协同过滤算法的景点推荐系统.zip
总之，"travel 基于协同过滤算法的景点推荐系统"是一个综合运用数据挖掘、机器学习和推荐系统技术的实际案例，它展示了如何通过分析用户行为数据，为旅行爱好者提供个性化的景点推荐服务。
基于协同过滤
主要有两种类型：用户-用户协同过滤（User-Based CF）和物品-物品协同过滤（Item-Based CF）。1.
推荐系统数据挖掘：从协同过滤到深度学习
推荐系统在当今的互联网时代具有极其重要的地位，它能够根据用户的历史行为、偏好等信息，为用户提供个性化的推荐内容，从而提高用户的满意度和平台的用户粘性。本文章的目的在于全面介绍推荐系统数据挖掘中从协同过滤到深度学习的相关技术，涵盖了这些技术的原理、算法实现、实际应用等方面。范围包括对协同过滤算法（如基于用户的协同过滤和基于物品的协同过滤）的详细讲解，以及深度学习在推荐系统中的应用，如深度神经网络、卷积神经网络等在推荐场景中的具体实现。
