weixin_47922824的博客

目录 一、绪论 1.1 研究背景 1.2 推荐算法简述 1.3 论文框架 二、协同过滤算法 2.1 基于用户的最近邻推荐 2.1.1 算法简介 2.1.2 算法表示 2.1.3 代码分析 2.2 基于物品的最近邻推荐 2.3 Slop One 算法 2.3.1 算法简介 2.3.2 算法表示 2.3.3 代码分析 三、算法优化 3.1 并行编程模式 3.1.1 MapReduce 简介 3.1.2 MapReduce 在 python 中的实现 3.1.3MapReduce 的实际应用 3.2 简化技术 S

目 录 挖掘目标 分析方法与过程 2.1. 总体流程 2.2. 具体步骤 2.3. 结果分析 结论 参考文献 1. 挖掘目标 本文通过研究己有的协同过滤技术在电子商务推荐系统应用中面临的问题和挑战，以及现有的解决算法(主要为基于用户聚类的协同过滤和基于项目聚类的协同过滤)，提出一种基于用户和项目双重聚类的协同过滤推荐算法。在进行项目聚类时，针对推荐系统数据集高维稀疏的特征，将评分数据的稀疏差异度引入到项目聚类算法中，然后将稀疏差异度和项目类别构造集合差异度相结合，对用户—项目评分矩阵进行项目聚类；而用户

目录 第 1 章 绪论 1.1、研究背景 1.2、国际发展形势第 2 章 基于用户协同过滤推荐技术 第 2 章 基于用户协同过滤推荐技术 2.1 电子商务推荐系统概述 2.2 协同过滤推荐技术 第 3 章 基于用户的协同过滤推荐算法 3.1 基于用户协同过滤算法的介绍 3.2、基于用户喜好值推荐算法的思路 3.2.1 建立用户模型 3.2.2 寻找最近邻居 余弦相似性（Cosine） 相关相似性(Correlation) 3.2.2 产生推荐项目 3.3 算法的实现 3.4 电影推荐系统界面实现 3.4

1 绪论 1.1 背景 在互联网技术日益发展和进步的时代，各种数据呈现井喷式增长状态，仅2017 年“双十一”天猫旗下购买物品所产生的交易额最终定格在 1682 亿元，其中，无线成交额就占据了 90 个百分点。这部分数据十分庞大，但对于当今大数据时代所产生的数据总和来说，却只不过是冰山一角。并且互联网的发展还不仅局限于购物，它已经渗透到了生活的各个方面。那么，该如何在这海量的数据中为用户找到并推荐有价值的信息，这一问题已成为当今大数据时代面临的一个重大挑战。 协同过滤（Collaborative Filte