Yesterday once more

博主近期热衷于翻找旧照片及大学笔记,从中发现不少乐趣。遗憾的是,未能找到初高中时期的照片。文中还提及了几位老同学,并分享了几张珍贵的老照片。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

最近特别喜欢翻腾老照片和大学时代的笔记,特别好玩微笑

真是不容易,这些照片很多都已经模糊了,我还想翻腾一些初中和高中的照片,竟然一张也没有找到,难不成我那些日子一张照片都没留下? 我都记不得了。。。

 

QQ和Lunar : 这好像是图书馆吧

              

 

 QQ和Lunar共同的好同学(94信管):  王军,你在南昌还好么?

 

秀一下QQ的军装照:

 

秀一下QQ的牛仔照:这是大学时QQ最喜欢的一身衣服

 

秀一下我最曾经圆润丰满的时光:这是80年的老照片,当年姐四岁半吐舌头

边上站着的这个帅哥是谁,我也不知道偷笑

 

 

 

 

 

 

 

 

 

 

import pandas as pd # 示例数据集结构 data = { 'user_id': ['U1', 'U1', 'U2', 'U3', 'U3'], 'item_id': ['S1', 'S3', 'S2', 'S1', 'S4'], 'rating': [5, 3, 4, 2, 5] } df = pd.DataFrame(data) from surprise import Dataset, Reader from surprise import SVD, KNNBaseline from surprise.model_selection import cross_validate # 1. 数据加载 reader = Reader(rating_scale=(1, 5)) data = Dataset.load_from_df(df[['user_id', 'item_id', 'rating']], reader) # ========== ID与名称映射 ========== SONG_MAPPING = { 'S4': 'Yesterday Once More', 'S7': 'My Heart Will Go On', 'S12': 'Unchained Melody', # 可扩展更多映射关系 } # ============================= # 2. 算法选择(矩阵分解示例) algo = SVD(n_factors=100, n_epochs=20, lr_all=0.005, reg_all=0.02) # 3. 交叉验证评估 cross_validate(algo, data, measures=['RMSE', 'MAE'], cv=3, verbose=True) # 4. 训练完整模型 trainset = data.build_full_trainset() algo.fit(trainset) # 5. 预测示例 uid = 'U2' # 用户ID iid = 'S3' # 歌曲ID pred = algo.predict(uid, iid) print(f'预测评分:{pred.est:.2f}') def get_top_recommendations(user_id, n=5): # 获取所有未评分歌曲 all_songs = df['item_id'].unique() rated_songs = df[df['user_id'] == user_id]['item_id'] unseen = [song for song in all_songs if song not in rated_songs.values] # 预测评分并排序 predictions = [algo.predict(user_id, song) for song in unseen] top = sorted(predictions, key=lambda x: x.est, reverse=True)[:n] return [(pred.iid, pred.est) for pred in top] def get_recommendations(user_id): # 原有预测逻辑(假设返回ID列表) recommended_ids = ['S4', 'S7', 'S12'] # 示例预测结果 # 转换ID为歌曲名称 return [SONG_MAPPING.get(sid, f'Unknown Song ({sid})') for sid in recommended_ids] 请根据这段代码,给出协同过滤算法的音乐推荐算法,最后输出的结果要求是音乐的名称。请给出完整的代码
最新发布
03-14
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值