常见的请求方法有两种：GET和POST GET和POST请求方法有如下区别： ①GET请求中的参数包含着URL里面，数据可以在URL中看到，而POST请求的URL不会包含这些...
发简信
IP属地：湖南
-
2018-10-19——请求方法
-
2018-10-17——推荐系统架构根据上面的抽象，可以设计一种基于特征的推荐系统架构。当用户到来之后，推荐系统需要为用户生成特征，然后对每个特征找到和特征相关的物品，从而最终生成用户的推荐列表。因而，推荐系统...
-
2018-10-17——基于社交网络图的好友推荐对于用户 u 和用户 v ，我们可以用共同好友比例计算他们的相似度： 下面的代码实现了这种相似度： w out(u,v) 公式中 out(u) 是在社交网络图中用户 u 指向...
-
2018-10-17——基于领域的社会化推荐算法
我们想到的最简单算法是给用户推荐好友喜欢的物品集合。即用户 u 对物品 i 的兴趣 p ui 可以通过如下公式计算。 其中 out(u) 是用户 u 的好友集合，如果用户 v...
-
2018-10-15——时间上下文推荐算法1.最近最热门 给定时间T，物品i最近的流行度ni(T)可以定义为： 这里，α是时间衰减函数。 下面的python代码实现了上面的计算公式： 2.时间上下文相关的ItemCF...
-
2018-10-04——选择合适的物品启动用户的兴趣
首先，给定一群用户，用这群用户对物品评分的方差度量这群用户兴趣的一致程度。如果方差很大，说明这一群用户的兴趣不太一致，反之则说明这群用户的兴趣比较一致。令σu∈U ' 为用户...
-
-
2018-10-03——用户活跃度对物品相似度的影响活跃用户对物品相似度的贡献应该小于不活跃的用户，增加 IUF参数来修正物品相似度的计算公式： 为了避免相似度矩阵过于稠密，我们在实际计算中一般直接忽略过于稠密用户的兴趣列表，...
-
2018-09-25——基于物品的协同过滤算法基于物品的协同过滤算法主要分为两步。 (1) 计算物品之间的相似度。 (2) 根据物品的相似度和用户的历史行为给用户生成推荐列表 用下面的公式定义物品的相似度： 分母 |N(...
-
2018-09-24——基于用户的协同过滤算法步骤 (1) 找到和目标用户兴趣相似的用户集合。 (2) 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。 步骤 (1) 的关键就是计算两个用户的兴趣...
-
2018-09-23——协同过滤算法离线实验实验设计 首先，将用户行为数据集按照均匀分布随机分成 M份（本章取 M =8 ），挑选一份作为测试集，将剩下的 M -1 份作为训练集。然后在训练集上建立用户兴趣模型，并在测...
-
2018-09-22
评分预测 评分预测的预测准确度一般通过均方根误差（RMSE）和平均绝对误差（MAE）计算。对于 测试集中的一个用户u和物品i，令r ui 是用户u对物品i的实际评分，而 ˆ ...
-
2018-09-20——组织列表
使用方法 sort() 对列表进行永久性排序 永久性地修改了列表元素的排列顺序。 cars = ['bmw', 'audi', 'toyota', 'subaru'] ca...
-
2018-09-18——迭代
索引迭代 Python中，迭代永远是取出元素本身，而非元素的索引。 对于有序集合，元素确实是有索引的。有的时候，我们确实想在 for 循环中拿到索引，怎么办？ 方法是使用en...
-
2018-09-18——切片
对list进行切片 取前3个元素，用一行代码就可以完成切片： >>> L[0:3] ['Adam', 'Lisa', 'Bart'] L[0:3]表示，从索引0开始取，直到索...
-
2018-09-17——访问dict
d = { 'Adam': 95, 'Lisa': 85, 'Bart': 59 } 使用d[key]的形式来查找对应的 value，这和 list 很像，不同之...
-
2018-09-17——从list删除元素
用list的pop()方法删除： >>> L = ['Adam', 'Lisa', 'Bart', 'Paul'] >>> L.pop() 'Paul' >>> print ...
-
2018-09-17——添加新元素
用 list 的append()方法，把新同学追加到 list 的末尾： >>> L = ['Adam', 'Lisa', 'Bart'] >>> L.append('Pau...
