毕业设计-主动学习推荐系统的实现.zip下载

weixin_39821051 2023-09-19 09:01:23

毕业设计-主动学习推荐系统的实现.zip , 相关下载链接：https://download.csdn.net/download/qq_35831906/88292492?utm_source=bbsseo

...全文

29 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

毕业设计-主动学习推荐系统的实现

精品--毕业设计-主动学习推荐系统的实现

毕业设计&课设--毕业设计-主动学习推荐系统的实现

个人花大量时间整理出的真实毕业设计实战成果，内容丰富，文档也很详细。无论做毕业设计还是用于学习技能，或工作中当做参考资料，都能发挥重要作用亲们下载我任何一个付费资源后，即可私信联系我免费下载其他相关资源哦~ 个人花大量时间整理出的真实毕业设计实战成果，内容丰富，文档也很详细。无论做毕业设计还是用于学习技能，或工作中当做参考资料，都能发挥重要作用亲们下载我任何一个付费资源后，即可私信联系我免费下载其他相关资源哦~ 个人花大量时间整理出的真实毕业设计实战成果，内容丰富，文档也很详细。无论做毕业设计还是用于学习技能，或工作中当做参考资料，都能发挥重要作用亲们下载我任何一个付费资源后，即可私信联系我免费下载其他相关资源哦~

毕业设计-基于Python的主动学习推荐系统的实现.zip 0. 概述数据集：Amazon商品数据集编程环境：Python, Matlab, Markdown 1. 数据预处理商品信息提取数据集中的title和description信息命令：python item_information.py [file1, ..., file3] 用户物品评分信息提取用户-物品评分，划分train集和test集将train集中的用户作为用户全集，以防止出现train集中有用户没有评分的情况命令：python user_information.py [file1, ..., file7] 商品相似度生成 title: 分词 + LDA主题模型（topic number = 15） description: 分词 + LDA主题模型（topic number = 15）未使用price（缺失值太多）未使用category（同类商品）命令：python item_similarity.py [topic number, file1, ..., file6] 商品description和title相似度权重生成 non linear regression Similarity(i1, i2) = weight1 * S_title(i1) + weight2 * S_description(i2) 命令： python similarity_parameters.py [file1, ..., file7] fitnlm(path, param1, param2) 用户相似度生成评分相似度命令：python user_similarity.py [file1, ..., file3] 用户聚类用户聚类依靠用户相似度作为距离度量，使用K-medoids作为聚类算法问题主要存在于：由于评分稀疏，很多用户之间距离为0 命令：python user_clustering.py input_file number_of_clusters output_file 建树前的准备工作生成用户聚类对任一物品的平均评分，便于计算时直接调用利用非线性回归拟合的参数生成相似度矩阵命令：python buildtree_preparation.py input_file init_ptitle init_pdescrip output_file 2. 建树及预测树的生成：三叉树，对应不喜欢、一般般喜欢和喜欢三个节点生成的节点信息用self.tree和self.node_interval两个变量保存构建预测模型：利用Spark的mllib包实现ALS Matrix Factorization 生成伪物品（每个节点）和用户对应的latent vector（对每一层都计算）预测评分：对每一个test商品，从树的根节点开始向下走，利用目标叶子节点的latent vector作为它的特征向量利用特征向量和所有物品的特征向量的点积预测评分，计算RMSE（对每一层都计算）命令：python build_tree.py [input_file1, ..., input_file5] desired_depth 3. 运行利用Python脚本运行上述所有步骤：python script.py 代码开头数据集名称（dataset）需相应更改 4. 对比实验 FDT (Factorized Deicision Tree) python factorized_decision_tree.py dataset depth (dataset是数据集的名字，depth决定了树的高度) 输入： I*U 的矩阵 => new-user problem 输入： U*I 的矩阵 => new-item problem CAL (Content-based Active Learning) python content_based_active_learning.py dataset K (dataset是数据集的名字，K决定了选择TopK的用户进行query) CBCF (Content-based Collaborative Filtering) 4. 当前问题对Amazon数据集来说树的第一层预测效果最好，分析原因可能如下：数据集过于稀疏，导致每一用户基本只有一个评分，第一层作为伪物品作矩阵分解时评分满，效果好，越往下效果越差。点的划分过于不均匀，使得伪物品选择不优秀。解决方法：使用平均划分法划分每一个节点使用相似度拟合评分作为MF的输入，而非平均评分物品个数超过30万的Automotive集合上计算item simila

下载资源悬赏专区

13,655

社区成员

12,578,875

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章