1_深度學習在推薦系統中的應用.mp4
2_推薦系統的深度學習應用之imdb解析.mp4
3_推薦引擎-實現基礎工程（1）.mp4
4_推薦引擎-實現基礎工程 （2）.mp4
5_推薦引擎-實現基礎工程（3）.mp4
6_推薦引擎-實現基礎工程（4）.mp4
7_推薦引擎-實現基本的實時處理（1）.mp4
8_推薦引擎-實現基本的實時處理（2）.mp4
9_推薦引擎-實現簡單的實時推薦演算法（1）.mp4
10_推薦引擎-實現簡單的實時推薦演算法（2）.mp4
11_推薦引擎-實現簡單的實時推薦演算法（3）.mp4
12_推薦引擎-實現簡單的實時推薦演算法（4）.mp4
13_推薦引擎 - 實現符合業務場景的推薦演算法（1）.mp4
14_推薦引擎 - 實現符合業務場景的推薦演算法（2）.mp4
15_推薦引擎 - 實現符合業務場景的推薦演算法（3）.mp4
16_推薦引擎 - 實現符合業務場景的推薦演算法（4）.mp4
17_推薦引擎 - 實踐課（1）.mp4
18_推薦引擎 - 實踐課（2）.mp4
19_推薦演算法 -實現基礎規則演算法（1）.mp4
20_推薦演算法 -實現基礎規則演算法（2）.mp4
21_推薦演算法 -實現基礎規則演算法（3）.mp4
22_推薦演算法 -實現基礎規則演算法（4）.mp4
23_推薦演算法 -實現協同過濾ucf（1）.mp4
24_推薦演算法 -實現協同過濾ucf（2）.mp4
25_推薦演算法 -實現協同過濾ucf（3）.mp4
26_推薦演算法 -實現協同過濾ucf（4）.mp4
27_推薦演算法 - 實現協同過濾icf（1）.mp4
28_推薦演算法 - 實現協同過濾icf（2）.mp4
29_推薦演算法 - 實現協同過濾icf（1）.mp4
30_推薦演算法 - 實現協同過濾icf（2）.mp4
31_推薦演算法 - 實踐課（1）.mp4
32_推薦演算法 - 實踐課（2）.mp4
33_推薦演算法 - 實踐課（3）.mp4
34_推薦演算法 - 實踐課（4）.mp4
35_推薦演算法 - 實現關聯規則（1）.mp4
36_推薦演算法 - 實現關聯規則（2）.mp4
37_推薦演算法 - 實現關聯規則（3）.mp4
38_推薦演算法 - 實現關聯規則（4）.mp4
39_推薦演算法 - 實現關聯規則（5）.mp4
40_推薦演算法 - 實現關聯規則（6）.mp4
41_推薦演算法 - 推薦綜合（1）.mp4
42_推薦演算法 - 推薦綜合（2）.mp4
43_拼裝推薦結果（1）.mp4
44_拼裝推薦結果（2）.mp4
45_推薦環境 - tensorflow（1）.mp4
46_推薦環境 - tensorflow（2）.mp4
47_推薦環境 - tensorflow（3）.mp4
48_推薦環境 - tensorflow（4）.mp4
49_推薦環境 - tensorflow（5）.mp4
50_推薦環境 - tensorflow（6）.mp4
51_推薦環境 - tensorflow（7）.mp4
52_推薦環境 - tensorflow（8）.mp4
53_推薦環境 - tensorflow（9）.mp4
54_推薦環境 - tensorflow（10）.mp4
課程目錄.txt
資料**.zip
推薦演算法_概覽.pdf
推薦演算法_第一課.pdf
推薦演算法_第二課.ppt
推薦演算法_第三課.pdf
推薦演算法_第五課.pdf
推薦引擎.pdf
推薦引擎_實時處理.pdf
推薦環境.pptx
推薦演算法_關聯規則.pdf
推薦演算法_協同過濾及實現.pdf
推薦演算法_實現協同過濾ucf.pdf
推薦演算法之好友推薦
寫點自己的理解，大牛請直接略過。好友推薦裡有推薦一些你可能認識的人，其中二度人脈是其中一種。比如 何炅和謝娜 在微博上相互關注，那用二度人脈的方法就是找和謝娜相互關注的人 如 張杰，海濤，某人 這時候 張杰，海濤，某人 就是何炅的二度人脈，排除掉何炅已經相互關注的張杰，剩下 張杰和某人 於是何炅發現...
推薦演算法分類
1 item based collective filtering 總結 物以類聚 很多 的核心演算法之一 原因 item的增長速度遠小於user的增長速度 方法 離線計算item的相似度矩陣供線上使用 缺點 由於基於item的相似性，故推薦的item相似，缺乏多樣性 2 user based co...
推薦演算法簡介
在推薦系統簡介中，目前，主要的推薦方法包括 基於內容推薦 協同過濾推薦 基於關聯規則推薦 基於效用推薦 基於知識推薦和組合推薦。一 基於內容推薦 基 於內容的推薦 content based recommendation 是資訊過濾技術的延續與發展，它是建立在專案的內容資訊上作出推薦的，而不需要依據...