Advertisement

FDU-Recommender-Systems-for-Douban-Movie: 基于TensorFlow的NeuralFM...

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
FDU-Recommender-Systems-for-Douban-Movie是一个基于TensorFlow实现的神经网络推荐系统项目，运用了NeuralFM模型对豆瓣电影进行个性化推荐。 豆瓣电影推荐系统利用豆瓣电影数据进行社交网络分析和构建推荐系统的课程项目。具体的算法和模型详情请参见report文件夹中的文档。对于数据可视化演示，请参考相关目录下的示例。 快速开始指南： - 环境要求：Tensorflow > r1.0，Python 3.6，Numpy、Pandas、tqdm，PyEcharts（可选），DeepWalk（可选） - 启动命令: 进入neural_models/文件夹后输入 `python NeuralFM.py` 或者 `python FM.py` 即可运行。详细参数可以通过执行 `python ${model_name}.py -h` 查看。 数据说明： MySQL 数据表结构如下: - Movie 表，记录条数：41785 字段类型描述如图所示： - number: int(11), NOT NULL, PRIMARY KEY, AUTO_INCREMENT - rate: varchar(11), NOT NULL

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • FDU-Recommender-Systems-for-Douban-Movie: 基于TensorFlow的NeuralFM...
    优质
    FDU-Recommender-Systems-for-Douban-Movie是一个基于TensorFlow实现的神经网络推荐系统项目，运用了NeuralFM模型对豆瓣电影进行个性化推荐。 豆瓣电影推荐系统利用豆瓣电影数据进行社交网络分析和构建推荐系统的课程项目。具体的算法和模型详情请参见report文件夹中的文档。对于数据可视化演示，请参考相关目录下的示例。 快速开始指南： - 环境要求：Tensorflow > r1.0，Python 3.6，Numpy、Pandas、tqdm，PyEcharts（可选），DeepWalk（可选） - 启动命令: 进入neural_models/文件夹后输入 `python NeuralFM.py` 或者 `python FM.py` 即可运行。详细参数可以通过执行 `python ${model_name}.py -h` 查看。 数据说明： MySQL 数据表结构如下: - Movie 表，记录条数：41785 字段类型描述如图所示： - number: int(11), NOT NULL, PRIMARY KEY, AUTO_INCREMENT - rate: varchar(11), NOT NULL
  • 豆瓣电影爬虫:douban-movie
    优质
    豆瓣电影爬虫Douban-Movie是一款自动化工具，用于从豆瓣网站收集和整理电影数据。它帮助用户高效获取影片信息、评论等资源，适用于数据分析或个人收藏使用。 豆瓣电影爬虫 豆瓣电影数据库是目前高质量电影信息的聚集地。对于视频聚合应用、数据挖掘等场景来说，它仍然是一个很好的选择来源。如果你只需要小规模的数据集，请使用八爪鱼或者火车头之类的抓取工具。 本着不重复造轮子的原则，我调研了GitHub上关于豆瓣电影信息的相关爬虫程序，并找到了一个star较多（唯一超过50星）的项目。该项目存在一些问题：没有实现模拟登录功能，因此被豆瓣反爬机制阻止；所使用的相关库在Windows下安装困难且缺乏详细文档；可定制性较差，不支持选定抓取字段；抓取效率较低，无法后台运行。 本段落基于以上问题重新设计了豆瓣电影的爬虫程序，并介绍了两种遍历思路：根据ID进行遍历和根据关键词种子进行搜索结果的遍历。其中，根据ID进行遍历时，豆瓣电影信息URL格式为。由于豆瓣成立于2005年，在此之前的数据可能存在缺失或不完整的情况。 对于如何改进这些问题以及新的爬虫程序的设计细节，本段落将会有更详细的介绍与探讨。
  • 基于MovieLens的协同过滤推荐系统（Recommender Systems Collaborative Filtering）
    优质
    本研究构建了一个基于MovieLens数据集的协同过滤推荐系统，旨在通过分析用户行为数据为电影爱好者提供个性化影片推荐。 在构建基于MovieLens的协同过滤推荐系统并使用Python 3进行实践的过程中，最初尝试使用全量数据集运行但发现无法执行（可能是由于资源限制）。因此，决定仅替换为包含10000个用户和10000部电影的数据子集来进行实验。这一操作所需的内存大约为16GB，并且在实际运行时遇到了手动干预的需求以解决内存错误问题。
  • 推荐系统(RS)必读论文：Recommender-Systems-Paper
    优质
    《Recommender-Systems-Paper》汇集了推荐系统领域的核心研究与最新进展，是理解RS理论和实践不可或缺的资源。 推荐系统（RS）包含点击率（CTR）预测、学习排名（LTR）、基于图的推荐、社会推荐、跨域推荐、团体推荐、冷启动建议、兴趣点（POI）建议等主题，以及上下文感知推荐与顺序推荐等内容。其中学习排名细分包括成对LTR和Listwise LTR。 最早提出的协同过滤(CF)方法用于编织信息挂毯，并通过协作方式来构建用户偏好模型。基于邻域的CF在早期研究中被提出并应用于实际场景之中。UserCF是GroupLens体系结构的一部分，旨在为Netnews提供一种开放式的协同过滤解决方案；与此同时，“口碑”算法也在社会信息过滤领域得到了应用和发展。 ItemCF则是另一种重要的协同学派方法，它侧重于基于项目的推荐机制。
  • Movie Capture for AVPro.zip
    优质
    Movie Capture for AVPro是一款用于视频捕获和屏幕录制的专业软件插件包，适用于需要高质量媒体处理的工作室和个人用户。 AVPro Movie Capture 是一款专为 Unity 设计的视频录制插件，我已经从 PC 端项目中提取出来，并且亲测可用。该插件包含资源包自带的示例程序以及我自己编写的一个简单视频录制示例，同时也有相应的资源文件，无需担心版本兼容性问题。
  • 电影推荐系统的矩阵分解方法：Group-movie-recommender-system
    优质
    简介：本文探讨了一种用于电影推荐系统的矩阵分解算法，通过分析用户群体偏好，提升个性化推荐效果，增强用户体验。 在这个项目中，我们为一组用户开发了一个基于矩阵分解的推荐系统。首先对用户电影评分矩阵进行随机梯度下降方法下的矩阵分解以计算出用户的因素及电影的因素。随后生成了三种不同规模的小组：小型（3名成员），中型（5名成员）和大型（10名成员）。我们利用以下几种方式预测这些小组可能给出的评价： 第一种，即在进行完矩阵分解之后直接将用户因子汇总成组因子； 第二种，在矩阵分解之前先对用户的评分进行聚合形成一个虚拟用户，并用普通的岭回归方法计算出该组的因素； 第三种是在第二种的基础上引入了加权机制，利用观看电影数量的多少作为权重来调整结果。对于这种方法我们使用的是加权岭回归。 最终项目达到了约80%精度的目标值。此项目的灵感来自于一篇学术论文（此处未提供具体引用）。数据集和执行代码都已上传至GitHub仓库中，并且可以直接运行Python环境下的相关文件进行测试或进一步开发工作。
  • AVPro Movie Capture for Windows 4.3.0.unitypackage
    优质
    AVPro Movie Capture for Windows 4.3.0.unitypackage是一款Unity插件，支持Windows系统上视频文件的高效捕获和编辑功能，为开发者提供便捷的多媒体处理解决方案。 AVPro Movie Capture Windows 4.3.0 是我从 Unity 商店购买的正版插件。我在 Unity 中尝试过所有保存音视频的插件后发现，这款插件的质量最好。使用它保存下来的音视频能够实现音画同步，并且画面和声音的质量都非常高。此外，该插件对硬件资源的需求相对较低。
  • RAPIDIO for Interconnected Embedded Systems
    优质
    RapidoIO集成化的嵌入式系统互联解决方案，目前唯一一套能够详尽阐述RapidoIO技术的专著。
  • Adaptive Backstepping Control for Uncertain Systems
    优质
    《自适应背步控制在不确定系统中的应用》探讨了针对含有未知参数和外部扰动的动态系统的先进控制策略。该方法通过逐层设计控制律，确保系统稳定性和性能优化。 Adaptive Backstepping Control of Uncertain Systems Lecture Notes in Control and Information Sciences 372 Editors: M. Thoma, M. Morari