# 基于ItemCF的协同过滤 物品推荐系统 Collaborative filtering goods recommendation system based on ItemCF
[](https://github.com/huangyueranbbc/RecommendByItemcf) [](http://hadoop.apache.org/)
Step1.run(config, paths); // 格式化 去重 Format reset
Step2.run(config, paths); // 计算得分矩阵 Score matrix
Step3.run(config, paths); // 计算同现矩阵 Computing co-occurrence matrix
Step4.run(config, paths); // 同现矩阵和得分矩阵相乘 Multiply the co-occurrence matrix and the score matrix
Step5.run(config, paths); // 把相乘之后的矩阵相加获得结果矩阵 Add the matrix after multiplication to obtain the result matrix
Step6.run(config, paths); // 排序推荐 Sort recommendation
没有合适的资源?快使用搜索试试~ 我知道了~
Hadoop mapreduce. 基于ItemCF的协同过滤 物品推荐系统

共18个文件
java:9个
prefs:2个
xml:1个

需积分: 5 0 下载量 191 浏览量
2024-05-19
21:56:06
上传
评论
收藏 509KB ZIP 举报
温馨提示
协同过滤算法(Collaborative Filtering)是一种经典的推荐算法,其基本原理是“协同大家的反馈、评价和意见,一起对海量的信息进行过滤,从中筛选出用户可能感兴趣的信息”。它主要依赖于用户和物品之间的行为关系进行推荐。 协同过滤算法主要分为两类: 基于物品的协同过滤算法:给用户推荐与他之前喜欢的物品相似的物品。 基于用户的协同过滤算法:给用户推荐与他兴趣相似的用户喜欢的物品。 协同过滤算法的优点包括: 无需事先对商品或用户进行分类或标注,适用于各种类型的数据。 算法简单易懂,容易实现和部署。 推荐结果准确性较高,能够为用户提供个性化的推荐服务。 然而,协同过滤算法也存在一些缺点: 对数据量和数据质量要求较高,需要大量的历史数据和较高的数据质量。 容易受到“冷启动”问题的影响,即对新用户或新商品的推荐效果较差。 存在“同质化”问题,即推荐结果容易出现重复或相似的情况。 协同过滤算法在多个场景中有广泛的应用,如电商推荐系统、社交网络推荐和视频推荐系统等。在这些场景中,协同过滤算法可以根据用户的历史行为数据,推荐与用户兴趣相似的商品、用户或内容,从而提高用户的购买转化率、活跃度和社交体验。 未来,协同过滤算法的发展方向可能是结合其他推荐算法形成混合推荐系统,以充分发挥各算法的优势。
资源推荐
资源详情
资源评论





















收起资源包目录



































共 18 条
- 1
资源评论


生瓜蛋子
- 粉丝: 3984
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助


最新资源
- 浅析我国电子商务立法的基本问题.pdf
- 三菱PLC四层电梯控制系统设计说明.doc
- 项目管理测试题含答案.docx
- 企业级项目管理解决方案全文.doc
- 2023年韩顺平PHP从入门到精通笔记.doc
- 2020年度“互联网+政务服务”工作总结.docx
- 广州通信设计时间项目管理.doc
- 自考-0-工程项目管理-复习重点.doc
- 中小企业信息化调查报告分析.doc
- 公路水运继续教育网络平台-混凝土外加剂试卷.doc
- 虚拟化学习手册.doc
- 2023年Matlab笔记层次分析法.docx
- 基于51单片机信号发生器设计说明.doc
- 通信技术实训基地建设方案().docx
- 开机启动设置、计划任务、查看开关机时间。计算机基础.pptx
- 兴仁县人民医院信息化解决方案.doc
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈



安全验证
文档复制为VIP权益,开通VIP直接复制
