LDC，公众号【轻松学编程】

基于电影评分的深度学习推荐算法详解【附源码】

1、构造数据矩阵（从用户评分表中加载所有用户的评分数据。）2、数据预处理：把数据向量化，便于神经网络计算3、对数据进行打标签操作4、定义64个维度针对向量进行处理（神经网络是非线性多维度）5、创建NCF模型6、合并 embeddings向量7、添加全连接层8、编译模型9、模型评估10、模型保存

实现jaccard系数得出两个集合的相似度二元分类多标签分类多标签商品

基于word2vec的推荐系统

1、指数平滑法是一种常用的时间序列预测算法，有一次、二次和三次平滑，通过加权系数来调整历史数据权重；2、主要思想是：预测值是以前观测值的加权和，且对不同的数据给予不同的权数，新数据给予较大的权数，旧数据给予较小的权数3、一次平滑适用于无明显趋势的数据；4、二次平滑用于修正线性趋势；5、三次平滑处理二次曲线趋势；6、加权系数a的大小影响预测的敏感性和平滑程度。

基于在校学习平台MOOC的选课推荐系统登录注册，个人中心，冷启动，热门课程，课程推荐，课程分类，可视化，收藏，选修，点赞，评论，评分

登录注册热门城市热门旅游景点旅游景点分类旅游景点推荐个人中心可视化大屏后台管理

登录注册热门课程课程分类课程推荐个人中心可视化大屏后台管理

登录注册热门电影电影分类电影推荐个人中心可视化大屏后台管理

基于深度学习神经网络协同过滤模型(NCF)的图书推荐系统登录注册热门图书图书分类图书推荐借阅图书购物图书个人中心可视化大屏后台管理1、对数据进行打标签操作2、定义64个维度针对向量进行处理（神经网络是非线性多维度）3、创建NCF模型4、合并 embeddings向量5、添加全连接层6、编译模型7、模型评估8、模型保存

所以基于神经网络协同过滤模型是目前推荐系统的主流形态。

登录注册、点赞收藏、评分评论，课程推荐，热门课程，个人中心，可视化，后台管理，课程选修

登录注册、点赞收藏、评分评论，课程推荐，热门课程，个人中心，可视化，后台管理，课程选修

系统：图书用户协同推荐系统、网络小说推荐系统、旅游景点推荐系统、课程推荐系统、电影推荐系统算法：用户协同过滤、物品协同过滤、随机森林、图神经网络算法、关联规则推荐算法、kmeans-聚类、神经网络学习

推荐算法的准确率、精准度、召回率、F1值

1、获取用户评分大于等于3的小说数据 2、数据预处理：把数据映射成用户向量Embedding，小说向量Embedding 3、划分训练集与测试集：使用二八法则随机划分，80%的数据用来训练，20%的数据用来测试 4、训练模型：分别Emmbeding两个向量，再Concat连接起来，最后加上3个全连接层构成模型，进行训练 5、模型评估：通过查看训练集损失函数来查看模型优劣 6、预测推荐：对用户评分过的小说进行模型预测，把预测评分高的小说推荐给用户

基于随机森林的旅游景点推荐系统登录、注册、调查问卷、城市界面、景点界面、推荐算法、评论、评分、点赞、收藏、个人中心、后台管理系统

基于django的图书推荐管理系统基于用户协同过滤算法

项目demo线上查看:传送门一、搭建项目python版本: 3.7.8.mysql版本：5.7.28.1、创建虚拟环境在d盘下创建一个文件夹my_work，然后在里面创建两个文件夹：pro和venv。win+R输入cmd进入文件夹venv，然后执行以下命令创建虚拟环境：python -m venv movie_manager激活虚拟环境:cd movie_managercd Scriptsactivate升级pip:pip install --upgrade pip导入d

**Apriori算法**是一种用于挖掘关联规则的频繁项集算法，它采用逐层搜索的迭代方法来发现数据库中项集之间的关系并形成规则。

使用Keras框架实现深度学习推荐。Keras是建立在Python之上的高级神经网络API。Keras提供了简单、快速的方式来构建和训练深度学习模型。​根据用户对书籍的评分表，使用Emmbeding深度学习训练得到一个模型，预测用户可能评分高的书籍，并把前5本推荐给用户。1、从数据库中读取评分表信息并转成二维数组2、数据预处理，把用户id，物品id映射成顺序字典3、统计用户数量、物品数量4、划分训练集与测试集5、构建Embedding模型并进行数据训练得到模型6、调用模型预测评分高的物品并推荐

生产者消费者模式：创建一个size大小的共享内存列表，前三个分别保存头指针、尾指针、锁一个进程生产数据多个进程消费数据消费数据时通过锁来保证已消费的数据不能再被取出,已消费的数据置为None1、创建循环共享内存队列: [front, rear, lock,None,None,None,None,None,None,None,None,None,None]2、入队列：没有None元素则视为队列已满，新数据不能入队列3、出队列：如果取出的元素为None，则视为空队列

python实现循环共享内存队列

python使用隐马尔可夫模型识别振动波形数据MFCC特征1、由于HMM是无监督机器学习的生成模型，不需要标签2、为每个类别都构建HMM模型进行提取MFCC特征进行训练3、使用4作为components的数量，这正是HMM模型中隐藏状态的数量4、找出最佳状态数：测试不同值，并挑选优化预测的那个值5、存储每个类别训练后的模型6、对新数据进行预测时，调用所有模型，并进行评分，选择最高分对应模型类别作为预测值

python版计算协同过滤推荐算法的召回率、准确率、覆盖率、新颖度、F1-score并使用折线图横向对比

基于机器学习与协同过滤的图书推荐系统K-means聚类推荐算法基于用户协同过滤推荐算法基于物品协同过滤推荐算法混合推荐算法

考拉兹猜想： 1、取一个正整数num 2、如果是偶数,result = num / 2 3、如果是奇数,result = num * 3 + 1 4、 result代替num进行第1步 猜想：不管是什么数，最后都会进入421循环,即最后一个数一定是1

python获取列表中位数使用自定义函数使用numpy

一、个性化推荐算法简介项目地址demo1传送门demo2传送门1、基于⽤户的协同过滤算法（UserCF）该算法利⽤⽤户之间的相似性来推荐⽤户感兴趣的信息，个⼈通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的⽬的进⽽帮助别⼈筛选信息，回应不⼀定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。但两个问题，⼀个是稀疏性，即在系统使⽤初期由于系统资源还未获得⾜够多的评价，很难利⽤这些评价来发现相似的⽤户。另⼀个是可扩展性，随着系统⽤户和资源的增多，系统的性能会越来越差。用户

多维向量夹角求解用户协同过滤推荐算法1、用户的协同过滤算法就是把和你相似的用户喜欢的东西推荐给你。协同过滤：利用用户的群体行为来计算用户的相关性。计算用户相关性的时候就是通过对比他们对相同物品喜欢的相关度来计算的。举例：--------+--------+--------+--------+--------+ | X | Y | Z | R |--------+--------+--------+--------+--------+

排序1、冒泡排序基本思想：比较相邻的元素大小，将小的前移，大的后移，就像水中的气泡一样，最小的元素经过几次移动，会最终浮到水面上。原地排序，不需要返回值。import randomimport timedef bubbleSort(list1): for i in range(len(list1)-1): for j in range(i+1,le...

百钱买百鸡：现有100钱，公鸡5文钱一只，母鸡3文钱一只，小鸡一文钱3只 要求：公鸡、母鸡，小鸡都要有，把100文钱花完，买的鸡的数量正好是100。 问：一共能买多少只公鸡，多少只母鸡，多少只小鸡？穷举法： 方案一： 思路： 第一重循环公鸡从1只循环到100只 第二重循环母鸡从1只循环到100只 第三重循环小鸡从1只循环到100只 然后进行判断： 数量：公鸡+母鸡+小鸡 =1...

冒泡排序改进一、普通冒泡排序[22,3,1,6,7,8,2,5]普通冒泡排序思路：第一趟排序 从下标0开始，取出对应的值2222和3比较，22 > 3 ,22和3交换，交换后，22和1比较，22 > 1,22和1比较，最后22会排到最后,第一趟排序后列表变成[3,1,6,7,8,2,5，22]第二趟排序 从下标1开始，取出对应的值13和1比较，3 &...

使用Crypto实现对称加密导入第三方库pip install pycryptodome代码：# 需要导入库 pip install pycryptodomefrom Crypto.Cipher import AESfrom binascii import b2a_hex, a2b_hexfrom Crypto import Randomclass AesEncryption(object): def __init__(self, key, mode=AES.MODE_CFB

概念：基于用户的协同过滤算法：就是把和你相似的用户喜欢的东西推荐给你。协同过滤：利用用户的群体行为来计算用户的相关性。计算用户相关性的时候我们就是通过对比他们对相同物品打分的相关度来计算的举例：--------+--------+--------+--------+--------+ | X | Y | Z | R |-------...