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...