近日，各大IT技术群，IT从业者朋友圈，都被这样一张图片给刷屏了。原来是人社部发了一篇关于北京外来新生代农民工监测报告。报告中，把从事信息传输、软件和信息技术服务业者称之为“...
发简信
IP属地：贵州
-
官方正名:我们就是新生代农民工！ -
Neo4j 做推荐 （12）—— 协同过滤（基于邻域的推荐）
kNN——K近邻 现在我们有了一种基于偏好查找类似用户的方法，下一步是允许每个k个最相似的用户投票选择应该推荐的项目。 主要有： “与我的电影最相似的电影中有10个用户是谁？...
-
Neo4j 做推荐 （11）—— 协同过滤（余弦相似度）
余弦距离： Jaacard相似度对于比较电影很有用，实际上是比较两组（类型、演员、导演等）。但是对于电影评级，每个关系都有一个我们可以考虑的权重。 余弦相似度： 两个用户的余...
-
Neo4j 做推荐 （10）—— 协同过滤（皮尔逊相似性）
皮尔逊相似性或皮尔逊相关性是我们可以使用的另一种相似度量。这特别适合产品推荐，因为它考虑到不同用户将具有不同的平均评分这一事实：平均而言，一些用户倾向于给出比其他用户更高的评...
-
Neo4j 做推荐 （9）—— 协同过滤（人群的智慧）
简单的协同过滤 MATCH (u:User {name: "Cynthia Freeman"})-[:RATED]->(:Movie)<-[:RATED]-(o:User) ...
-
Neo4j 做推荐 （8）—— 协同过滤（利用电影评级）
协同过滤： 使用网络中其他用户的首选项，评级和操作来查找要推荐的项目。 （买这个东西的用户，还买了那个东西） 用户Misty Williams的所有评分 // Show al...
-
Neo4j 做推荐 （7）—— 基于内容的相似度量标准相似度量是用于生成个性化推荐的重要组件，这些推荐允许我们量化两个项目的相似程度（或者我们稍后会看到，两个用户偏好的相似程度）。 Jaccard指数是0到1之间的数字，表示两组...
-
Neo4j 做推荐 （6）—— 加权内容算法除了考虑计算相似性的类型之外，还有更多的特征，如演员和导演。让我们使用加权总和根据他们共同的演员、流派和导演的数量对建议进行评分，以提高分数。根据重叠特征的数量和类型计算加权...
-
Neo4j 做推荐 （5）—— 基于类型的个性化建议如果我们知道用户看过了哪些电影，我们可以使用此信息来推荐类似的电影： // Content recommendation by overlapping genres MATC...
-
Neo4j 做推荐 （4）—— 基于内容的过滤（续）Neo4j 做推荐 （2）—— 基于内容的过滤前文只是简单描述了内容过滤的概念和简单演示。 在此，我们将从具体实例来介绍如何使用基于内容的过滤方法来给用户推荐电影。 首先，基...
-
Neo4j 做推荐 （3）—— 协同过滤
协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息 MATCH (m:Movie {title: "Crimson Tide"})<-[:RAT...
-
Neo4j 做推荐 （2）—— 基于内容的过滤原文地址：Neo4j 做推荐 （2）—— 基于内容的过滤 基于内容的过滤(Content-based filtering)：该技术通过比较商品之间的相似性或者相关性进行推荐。...
-
Neo4j 做推荐 （1）—— 基础数据原文链接：Neo4j 做推荐 （1）—— 基础数据 Neo4j 提供了sandbox，开始可以使用3天，到期后可以续7天。只需要注册一个账号即可。 Neo4j Graph P...
-
图数据库neo4j应用场景
原文链接：图数据库neo4j应用场景 欺诈检测和分析解决方案： 在欺诈者和犯罪分子造成持久性损害之前，实时分析数据关系对于发现欺诈戒指和其他复杂诈骗至关重要。 查询：反洗钱（...
-
有了这些chrome插件，写程序就像开了挂1、Tampermonkey 俗称“油猴”，扩展性非常强大。方便脚本管理、概览、自动更新、安全、兼容性、Chrome 同步等功能。 官方对该插件的描述只有一句“The wor...
-
丧心病狂的Github技巧
这段时间以来，我发现大家都把Github挂在嘴上，但是不少人其实并不会用Github。具体怎么说呢，比方说实现某些简单的功能的时候，自己可能需要花2-3小时去实现，那么大家愿...
