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

测试用例见:

Tests

第一章主要介绍一些推荐系统的评价指标

• 评价指标

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数据集。整个第二章实验包括前半部分的流行度分析以及后半部分基于MovieLen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
• 商品协同过滤
• UserCF-IIF
• ItemCF-IUF
• ItemCF-Norm
• 隐语义模型

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

介绍基于UGC的推荐。数据集用Delicious数据集(对于冷启动问题推荐热门商品)。

• 基本基于标签推荐
• TF-IDF的改进版
• TF-IDF++的改进版
• 标签协同过滤的用户冷启动改进

主要讲时间上下文的推荐算法

• 最近热门商品推荐