itembased

PyQt学习随笔：Qt中Item Views（Model-Based）和Item Widgets（Item-Based）控件的用途和关系

在界面程序开发中，数据的展示主要包括表格、简单列表、树状列表以及纯文本等多种方式，在Qt中将界面表格、简单列表、树状列表称为“表项视图类（itemviewclass）”,并提供了两种实现方式，一种叫itembased
LaoYuanPython·2023-06-24 08:10

Mahout推荐算法之ItemBased

Mahout推荐之ItemBased一、算法原理(一)基本原理如下图评分矩阵所示：行为user，列为item.图（1）该算法的原理：1.计算Item之间的相似度。
mark_yueye·2020-09-17 03:19

局部敏感哈希(Locality Sensitive Hashing)

局部敏感哈希(LocalitySensitiveHashing)计算item之间的相似项，计算item的topM最相似item，协同过滤计算(userbased或itembased)等等计算中，涉及大量两两相似项计算
pi9nc·2020-09-14 00:28

Streaming+Python实现Itembased CF

1数据描述空白sku1sku2…skuNsession101…1session210…1……………sessionM11002向量相似度计算下面给出计算向量x,y的相似度公式，x,y的长度都为N夹角余弦∑Nk=1xk×yk∑Nk=1x2k−−−−−−−√∑Nk=1y2k−−−−−−−√皮尔逊相似度∑(x−x¯)×(y−y¯)∑(x−x¯)2−−−−−−−−−√∑(y−y¯)2−−−−−−−−−√欧式
zc02051126·2020-08-24 18:51

maven打包hadoop项目（含第三方jar）

2mahout中itembased算法，将uid从string映射为long。我这里实现的具体功能是：Mahout的itembased算法的数据格式是：uid,vid,score。
lingerlanlan·2020-08-19 10:30

mahout的itembased推荐算法改造

mahout的itembased推荐算法改造需求背景：itembased主要是两个步骤：1item相似度的计算2根据user所评分过的item，以及item之间的相似度，预测未知item的分数mahout
lingerlanlan·2020-07-29 20:18

歌曲推荐场景下如何做好内容分发

场景分发推歌歌曲分发vip歌曲分发长尾歌曲架构歌曲池，歌曲倒排索引，召回，排序，探索，实时监控召回协同过滤（itembased）数据：用户最近180天完整播放且收藏的歌曲uid:sid1,sid2,sid3mapreduce
舟·2020-06-23 00:47

mahout的itembased推荐算法改造

mahout的itembased推荐算法改造需求背景：itembased主要是两个步骤：1item相似度的计算2根据user所评分过的item，以及item之间的相似度，预测未知item的分数mahout
lingerlanlan·2016-02-16 11:53

mahout的itembased推荐算法改造

mahout的itembased推荐算法改造需求背景：itembased主要是两个步骤：1item相似度的计算2根据user所评分过的item，以及item之间的相似度，预测未知item的分数 mahout
linger2012liu·2016-02-16 11:00

mahout入门指南之基于mahout的itembased算法

 基于mahout的itembased算法   事实上mahout分布式上仅仅是实现了部分算法。
·2015-11-13 22:57

mahout算法源码分析之Itembased Collaborative Filtering（三）RowSimilarityJob验证

Mahout版本：0.7，hadoop版本：1.0.4，jdk：1.7.0_25 64bit。  本篇分析上篇的分析是否正确，主要是编写上篇输出文件的读取以及添加log信息打印相关变量。 首先，编写下面的测试文件分析所有的输出：   package mahout.fansy.item; import java.io.IOException; import jav
·2015-11-12 18:50

mahout算法源码分析之Itembased Collaborative Filtering（二）RowSimilarityJob

Mahout版本：0.7，hadoop版本：1.0.4，jdk：1.7.0_25 64bit。 本篇开始之前先来验证前篇blog的分析结果，编写下面的测试文件来进行对上篇三个job的输出进行读取：   package mahout.fansy.item; import java.io.IOException; import java.util.Map; import
·2015-10-31 09:43

mahout算法源码分析之Itembased Collaborative Filtering（四）共生矩阵乘法

Mahout版本：0.7，hadoop版本：1.0.4，jdk：1.7.0_25 64bit。 经过了SimilarityJob的计算共生矩阵后，就可以开始下面一个过程了，这个过程主要是共生矩阵的乘法，要说这个共生矩阵的乘法是啥意思？我也不是很清楚，不清楚就看代码呗。 首先明确共生矩阵，即共生矩阵的输入文件（也是上面个SimilarityJob的输出文件）：   similar
·2015-10-30 14:44

Streaming+Python实现Itembased CF

1数据描述空白sku1sku2…skuNsession101…1session210…1……………sessionM11002向量相似度计算下面给出计算向量x,y的相似度公式，x,y的长度都为N夹角余弦∑Nk=1 xk×yk∑Nk=1 x2k−−−−−−−√∑Nk=1 y2k−−−−−−−√皮尔逊相似度∑(x−x¯)×(y−y¯)∑( x−x¯)2−−−−−−−−−√∑( y−y¯)2−−−−−−−
zc02051126·2015-08-19 15:00

[置顶] SVD推荐算法（一）

1本质上是memory-based，只不过先用SVD对user-item的评分矩阵做降维，得到降维后的user特征和item特征，可以分别做userbased的协同过滤和itembased的协同过滤。
linger2012liu·2015-04-24 20:00

[置顶] mahout中map-reduce版的itembased推荐算法思想

mahout中map-reduce版的itembased推荐算法思想最近想写一个map-reduce版的userbased，于是先研究mahout中已实现的itembased算法。
linger2012liu·2015-01-12 23:00

maven打包hadoop项目（含第三方jar）

2mahout中itembased算法，将uid从string映射为long。 我这里实现的具体功能是：Mahout的itembased算法的数据格式是：uid,vid,score。
linger2012liu·2014-12-25 00:00

mahout入门指南之基于mahout的itembased算法

 基于mahout的itembased算法 其实mahout分布式上只是实现了部分算法。
linger2012liu·2014-12-22 23:00

局部敏感哈希(Locality-Sensitive Hashing, LSH)方法介绍

局部敏感哈希(LocalitySensitiveHashing)   计算item之间的相似项，计算item的topM最相似item，协同过滤计算(userbased或itembased)等等计算中，涉及大量两两相似项计算
wenyusuran·2014-11-03 10:00

Mahout推荐算法之ItemBased

Mahout推荐之ItemBased一、  算法原理(一)    基本原理如下图评分矩阵所示：行为user，列为item.图（1）   该算法的原理：1. 计算Item之间的相似度。2. 
yueyedeai·2014-10-11 13:00

Mahout协同过滤算法源码分析--Itembased Collaborative Filtering实战

Mahout版本：0.7，hadoop版本：1.0.4，jdk：1.7.0_2564bit。本系列介绍介绍mahout中的ItembasedCollaborativeFiltering算法，这个算法的实现的源码是org.apache.mahout.cf.taste.hadoop.item.RecommenderJob。在mahout官网是这样介绍这个算法的：RecommenderJob是一个完全分
fansy1990·2013-10-10 23:00

局部敏感哈希(Locality Sensitive Hashing)

局部敏感哈希(LocalitySensitiveHashing)   计算item之间的相似项，计算item的topM最相似item，协同过滤计算(userbased或itembased)等等计算中，涉及大量两两相似项计算
pi9nc·2013-10-03 10:00

社会化搜索与推荐浅析-常见推荐算法的比较和浅析

collectivefiltering（协同过滤）Itembased：适用与用户数量远大与条目数量，电商用的比较多优点是：相较与基于用户来说速度快，找到的商品相似度高缺点是：也是找到的商品相似度高，很难发现用户潜在喜欢的东西
larrylgq·2012-03-16 17:00

个性化文献-《Item-Based Collaborative Filtering Recommendation Algorithms》

这是一篇比较经典的itembased的协同推荐方法。对公式介绍比较全面。文章介绍了3个相似度计算公式：1。余弦相似度公式2。
fuyangchang·2010-05-14 19:00
上一页 1 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他