书读的太少，想的太多

最近参加KDD Cup 2012比赛，选了track1，做微博推荐的，找了推荐相关的论文学习。“Item-Based Collaborative Filtering Recommendation Algorithms”这篇是推荐领域比较经典的论文，现在很多流行的推荐算法都是在这篇论文提出的算法的基础上进行改进的。一、协同过滤算法描述推荐系统应用数据分析技术，找出用户最可能喜欢的东西推荐给用

推荐系统是通过分析用户属性、访问日志、反馈信息等对用户可能感兴趣的项进行预测。推荐系统在web2.0时代将有非常广泛的应用。        推荐系统应用了多个领域的方法和技术，如人机对话（Human Computer Interaction)、信息检索(Information Retrieval)等。不过说到底，这些都是以数据挖掘（Data Mining）为基础的。       

交叉验证是机器学习、数据挖掘中经常要用到的技巧。很有必要很好的掌握它。所以试着写点这方面的理解，希望对大家有帮助。文章分为两个部分： 一、交叉验证的原理; 二、分享一个好用的实现了大多数交叉验证的方法包（python scikit-learn）。在用随机化抽样(random sampling)方法将数据集分为训练集和测试集过程，划分数据集常常会导致过度专门化（over-

基于用户的最近邻算法（User-Based Neighbor Algorithms）,是一种非概率性的协同过滤算法，也是推荐系统中最最古老，最著名的算法。我们称那些兴趣相似的用户为邻居，如果用户n相似于用户u，我们就说n是u的一个邻居。起初算法，对于未知目标的预测是根据该用户的相似用户的评分作出预测的。本文中运用的是MovieLens数据集，关于这个数据集的介绍可以参看http:/

文章主要介绍的是koren 08年发的论文[1],  2.3部分内容（其余部分会陆续补充上来）。koren论文中用到netflix 数据集， 过于大， 在普通的pc机上运行时间很长很长。考虑到写文章目地主要是已介绍总结方法为主，所以采用Movielens 数据集。变量介绍部分变量介绍可以参看《基于baseline和stochastic gradient de

文章主要介绍的是koren 08年发的论文[1],  2.1 部分内容（其余部分会陆续补充上来）。 koren论文中用到netflix 数据集， 过于大， 在普通的pc机上运行时间很长很长。考虑到写文章目地主要是已介绍总结方法为主，所以采用Movielens 数据集。要用到的变量介绍：Baseline estimates     object f

相关文章:基于baseline和stochastic gradient descent的个性化推荐系统基于baseline、svd和stochastic gradient descent的个性化推荐系统转载请注明：转自 zh's note    http://blog.youkuaiyun.com/wuzh670/文章主要介绍的是koren 08年发的论

大部分人都会有好朋友，也会有普通朋友，但目前很多网站中并没有体现出来，而且多数研究工作也都是基于无权网络展开，把好朋友与点头朋友都混淆在了一起。本文基于用户间的交互行为（如查看资料、连接确立、标记图片等行为）和用户资料相似度，提出了一个无监督的模型来评估人们之间交互关系的强弱，这个强弱关系的度量是一系列连续的值，区分与之前的强弱二元关系。实际应用度量好友关系的强弱对于社交网站的实际应用有很

由于csdn博客编写比较麻烦，这里只能简单的用文字描述全过程。    首先eclipse下载most version，4.3版，然后进入eclipse界面，点击heip--》eclipse markplace，操作如下图：由于我的已经安装，所以第二个红框是update。一直安装我完毕会提示reboot eclipse。本机默认已经安装maven，如果没有安装的请自行在marketp

本文介绍推荐系统、协同过滤思想，两种基本的相似度衡量，并用python实现。最后就MovieLens数据集上作出简单的推荐。一、相关知识（1）推荐系统如今，推荐系统已经在多方面得到应用，例如淘宝、当当、亚马逊等网站的商品推荐。而个性化推荐系统则是通过发掘用户的兴趣爱好，作出针对性的推荐。个性化推荐的方法较多，最常用的是协同过滤方法，而本文主要讲的也是基于协同过滤的个性化推荐