作者实现了协同过滤推荐算法在音乐网站中的应用，登录用户可以对音乐进行评分、收藏、添加到自定义歌单、评分、播放音乐等操作，并根据用户的评分、收藏、播放音乐记录进行混合推荐，同时新用户首次登录后选择兴趣标签，根据用户的兴趣标签推荐音乐解决冷启动问题。

音乐推荐人 用于推荐新口译的lastFM数据。 这是在Apache许可下开发的软件。 您可以随意使用它。 常规用法：在全局变量中指定一些您喜欢的艺术家。 运行脚本将生成建议并将其显示在pdf文件中 如果收到以下错误：AttributeError：'FigureManagerGTK3Cairo'对象没有属性'canvas'忽略它，则它在matplotlib中的错误正等待修复。 它不会损害功能。 该程序使用lastFM数据集。 一小部分（约3.2k的艺术家，拥有最多的收听者）已被提取到dMat.p文件中，但是为了获得更多的艺术家，建议您自己构建它。 为此，请执行以下操作：从此源中获取数据集： ://www.dtic.upf.edu/~ocelma/MusicRecommendationDataset/lastfm-360K.html将内容提取到文件夹中删除现有的dMat.p集将minL

newsRecommender teamwork 新闻推荐系统，该系统目标是针对不同用户浏览的新闻，建立起用户模型，并随之用户的阅读习惯不断更新该用户模型，经过用户与该系统一段时间的磨合，最终对用户进行精准的新闻推荐。 其中竞赛要求，数据集及属性解析等详见以下地址： 训练数据的下载地址： ||demo.csv || csv (346.90kb) || || ||train_data.txt|| txt (191.61mb)|| || ||大赛文档1.0.doc || doc (53.50kb) || || 本项目的开发说明

电影推荐系统 推荐系统是机器学习技术在企业中最成功和最广泛的应用之一。 您可以在零售，视频点播或音乐流中找到大型推荐系统。 实施和评估算法 基于内容的过滤 协同过滤 基于内存的协同过滤 用户项目过滤 逐项过滤 基于模型的协同过滤 单值分解（SVD） SVD ++ 混合模型 基于内容+ SVD 项目中包含的文件 movie_recommendation_system.ipynb：python笔记本代码文件 movie_recommendation_system.html：python笔记本的html版本 films.csv：MovieLens数据集中的电影数据 rating.csv：用户对MovieLens数据集中的电影给予的评分

动漫推荐系统（ARecSys） 配置并启动项目 要求： Postgres == 9.6 创建环境conda create -n ARecSys python=3.6 安装要求pip install -r requirements.txt 创建ARecSys/local_settings.py基于ARecSys/local_settings.py.sample 设置Postgres [数据库]（＃Setting-up数据库） ./manage.py makemigrations && ./manage.py migrate ./manage.py runserver 导航到http://localhost:8000 设置数据库 启动postgres sudo -su postgres 启动PSQL psql CREATE USER anime WITH PASSWORD '

酒店特征数据集2021 基于TripAdvisor的酒店推荐数据集，包含70K hotel 。 对于每家酒店，我们收集了以下功能： 酒店名称 国家 街道 地区 星级 住客评分 便利设施 房间特色 房间类型 价格 描述 您可以在上访问数据。 数据集的使用仅限于学术研究目的。 直接下载请点击 ＃样本 特征 价值 姓名 西坦布尔酒店 评论 优：55，好：0，平均：0，差：0，差：2 便利设施 免费停车，免费高速上网（WiFi），免费早餐，自行车出租，... 房间 隔音客房，空调，用餐区，客房清洁，冰箱，有线电视/卫星电视... 类型 山景，海洋景观，城市景观，新娘套房，非吸烟房，... official_description 我们的酒店位于伊斯坦布尔历史半岛的中心。 海景... 评分 5.0 街道 CayIroglu Sk。 No：26BKüçükAyasofya Mahal

动漫推荐系统| Python，惊喜，Jupyter 该项目的目标是开发基于协作的动漫推荐器系统，该系统能够基于数据库信息（包括总用户历史记录和评级ID用户反馈）生成个性化的独特和相关动漫推荐列表，数据来源来自Kaggle。 com 。 有两个关联的数据集，评级数据集和动漫数据集。 评分数据集包含来自7,516个用户的7,813,737个评分（评分等级：1-10），涉及12294种动漫，密度为0.92％； 动漫数据集包含有关每个动漫的信息，共有7列（anime_id，名称，类型，类型，剧集，评分和成员）。 我将python和SUPRISE软件包一起使用，并利用定制的内置数据清理和模型评估程序，研究了各种协作过滤（CF）算法，包括基于项目的KNNWithMeans，SVD，共聚和SVDpp。 SVD在基于nDCG（排名准确性指标）为用户推荐相关动漫的排名列表方面表现最好，而又不牺牲太多速

群组推荐系统 [WIP] 该存储库包含 Group Recommendation 的最新研究论文、数据集和源代码（如果有）。 免费免费创建 PR 进行合并。 基于记忆的方法 偏好聚合 CoFeel：在群组推荐系统中使用情绪进行社交互动。 RecSys 2012 。 [ ] 具有部分信息的产品评级的数学建模和分析。 TKDD 2010 。 [ ] 通过纳入社会关系互动来增强群体推荐。 集团 2010 年。 [ ] 用于委员会决策的组推荐系统中的偏好聚合。 RecSys 2009 。 [ ] 一种考虑群组成员交互的群组推荐系统。 专家系统应用程序2008 年。 [ ] 基于用户档案合并的多观众电视节目推荐。 乌梅 2006 年。 [ ] 自适应无线电：使用否定首选项实现共识。 集团 2005 年。 [ ] 超过其成员的总和：群组推荐系统的挑战。 AVI 2004 。

Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第一周所有jupyter notebook文件(包括实验室练习文件)

Coursera, 机器学习专项课程, Machine Learning：Unsupervised Learning, Recommenders, Reinforcement Learning第二周所有jupyter notebook文件(包括实验室练习文件)