# RecSys

**Repository Path**: dcrhtml/RecSys

## Basic Information

- **Project Name**: RecSys
- **Description**: 项亮，推荐系统python代码实现
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2022-04-30
- **Last Updated**: 2024-04-26

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# RecSys
* 另附sklearn官网所有example在线演示：http://www.ailearndo.com

* 另这是本人工作之余对《数字图像处理》（冈萨雷斯，第三版）的实现，欢迎Star：https://github.com/qcymkxyc/Image-Process

* 个人博客：http://www.zhangqi2019.top
------

* **本书PDF在线预览：http://www.ailearndo.com/resource/推荐系统实践.pdf**

项亮的《推荐系统实践》的代码实现以及结果展示分析，所有结果见:

>[Recommend System](https://nbviewer.jupyter.org/github/qcymkxyc/RecSys/blob/master/Recommend%20System.ipynb)

测试用例见:
>[Tests](test)

## 第一章
第一章主要介绍一些推荐系统的评价指标

   * [评价指标](main/util/metric.py)
## 第二章
第二章介绍推荐系统一些基本的模型。这里实验的数据同书上用[MovieLen](data/ml-1m/README)数据集。整个第二章实验包括前半部分的[流行度分析](Recommend%20System.ipynb#%E7%94%A8%E6%88%B7%E8%A1%8C%E4%B8%BA%E5%88%86%E6%9E%90)以及后半部分基于[MovieLen](data/ml-1m/README)的推荐算法(协同过滤第一次运算会生成协同矩阵，会比较慢):

  * [用户协同过滤](main/chapter2/usercf.py)
  * [商品协同过滤](main/chapter2/itemcf.py)
  * [UserCF-IIF](main/chapter2/useriif.py)
  * [ItemCF-IUF](main/chapter2/itemiuf.py)
  * [ItemCF-Norm](main/chapter2/itemnorm.py)
  * [隐语义模型](main/chapter2/lfm.py)

## 第三章
 
第三章主要讲冷启动问题：

   * 用户冷启动
       * 根据用户信息特征分组推荐
       * 外站信息导入
       * 根据用户首次进入反馈的兴趣点
   * 物品冷启动
       * 基于物品内容信息提取
       * 人工标注信息

## 第四章

介绍基于UGC的推荐。数据集用[Delicious](data/delicious-2k/readme.txt)数据集(对于冷启动问题推荐热门商品)。

   * [基本基于标签推荐](main/chapter4/base_rec.py)
   * [TF-IDF的改进版](main/chapter4/TFIDF_rec.py)
   * [TF-IDF++的改进版](main/chapter4/TFIDF_plus_rec.py)
   * [标签协同过滤的用户冷启动改进](main/chapter4/sim_tag_rec.py)

## 第五章

主要讲时间上下文的推荐算法

   * [最近热门商品推荐](main/chapter5/most_popularity.py)