沈波的专栏

developerWorks 中国技术主题Web development文档库探索推荐引擎内部的秘密，第 2 部分: 深入推荐引擎相关算法 - 协同过滤注：本文转自developerworks社区：http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy2/index.html

developerWorks 中国技术主题Web development文档库探索推荐引擎内部的秘密，第 3 部分: 深入推荐引擎相关算法 - 聚类注：本文转自developworks社区：http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy3/index.html智能推荐大

探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探注：本文转自developworkers社区：http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html随着 Web 技术的发展，使得内容的创建和分享变得越来越容易。每天都有大量的图片、博客、视频发布到网上

基于奇异值分解（SVD）的推荐系统算法实现       基于矩阵分解模型的原则就是把用户和项目映射到共同的一种特征空间（维数假设为f），而用户对项目的评分就可定义为该用户矩阵与该项目的点积。也就是说，每一个用户就相对于一个特征向量P（u），每一个项目就相对于一个特征Q(i)。Q(i)中的每一个元素表示的是项目i中所包含的某个特征的水平，而P(u)中每个元素表示这个用户喜欢某种特征的程度，所以，

基于KNN的协同滤波推荐算法实现        邻居模型通常也被称为k-最近邻模型，或者简称为kNN。KNN 模型可以获得精确的推荐结果并为结果给出合理的解释，它们是CF 推荐系统中最早被使用也是直至目前最流行的一类模型。为了获得用户对产品的评分预测值，kNN 模型一般包括以下三步：1. 计算相似度这步中计算每对产品之间的相似度（similarity）。一些被广泛使用的相似度

受限玻尔兹曼机用于协同过滤受限玻尔兹曼机是一种生成式随机神经网络(generative stochastic neural network), 详细介绍可见我的博文《受限玻尔兹曼机(RBM)简介》, 本文主要介绍RBM在协同过滤的应用。1. 受限玻尔兹曼机简单介绍  传统的受限玻尔兹曼机是一种如下图所示, 其由一些可见单元(visible unit，对应可见变量，亦即数

关于推荐系统中的特征工程本文转载自：http://blog.jobbole.com/74951/在多数数据和机器学习的blog里，特征工程 Feature Engineering 都很少被提到。做模型的或者搞Kaggle比赛的人认为这些搞feature工作繁琐又不重要不如多堆几个模型，想入手实际问题的小朋友又不知道怎么提取feature来建模型。我就用个性化推荐系统做个例子，简单说

推荐领域数据集http://www.grouplens.org/taxonomy/term/14Movielens Dataset：       其中Movielens-100k和movielens-1M有用户对电影的打分，电影的title、genre、IMDB链接、用户的gender、age、occupation、zip code。movielens-10M中还有用户