七月结课推荐项目调研(电影推荐部分)

背景:

2019年7月初,选择推荐方向,课程有两个项目,一个电影推荐,一个电商推荐。个人对推荐理解比较浅,这里先对电影推荐进行调研,整理思路。

电影推荐:

1.查阅七月在线论坛:

看了七月的推荐电影推荐开题,从上一期同学作业那里看到,想做好需要先对项目的各个功能先想清楚。
这里先从论坛下手:10条博客,没有一条电影推荐的,个别有提到相关。

问答中

1.集6 上海推荐小分队的问题汇总https://ask.julyedu.com/question/86832):
电影信息包含电影的名称、导演、演员一些信息,但是同一条电影有不同的分类信息,比如《老炮儿》的类型分成三类:剧情、动作、犯罪,这个需要做个统一吗,还是说只删除其他类型保留一个,用户信息里面有些复杂,每一行是一个用户对一个电影的评分,但是数据里同一个用户对多个电影都有评分,这个信息处理出来,那每个用户都有不同数量的电影评分,这个就不太好办了吧,还是说用户信息的数据库表单里只存储用户名和ID,另外加上用户对所有的类型电影中TOP10的电影名,(我找到的数据里面用户没有像年龄学历爱好这样的其他信息),还是说在用户和电影关联的数据表单中单独存储两者的关系 ?

七月在线魏博士 2018/12/11 22:42:57
1、前端需要什么数据,你就存什么,后端的数据存储形式可以灵活选择
2、标签都保留下来
3,最后的每条训练数据是:一个用户,一个电影,评分,这样的形式

2.「推荐系统实战」一课的问题汇总与集中答疑(https://ask.julyedu.com/question/86841)
我之前看到案例中使用神经网络,直接将用户的特征,电影的特征全部转成 Embedding 以后,直接训练。针对电影的标题,是用卷积神经网络去提取特征。这种方式确实也能解决大数据问题,可以批量训练,也能解决特征组合的问题。我想知道,这个方法和第一种方法相比,有什么优点?或者说在效果上,能有多少提升?

July • 2018-12-16 22:33
搬运老罗说的:
1.隐私反馈场景下一般都是通过不同的反馈特征加权来构造矩阵的,这个上周讲过。batch训练是常用优化训练速度的方法。效果好坏取决于数据分布和稀疏性
2.非id类特征的使用解决了数据稀疏性问题,同时增加了泛化性,拟合和预测能力很强。
3.没理解你说的topk指的是什么

3.图像(https://ask.julyedu.com/uploads/questions/20181224/bb7f0018e9699590c5a4e27f724b376a.png)

image

4.在线推荐系统课期末项目解法和分析(音乐推荐)
https://ask.julyedu.com/question/86917

5.推荐系统综合项目解析与特征处理
https://ask.julyedu.com/question/86919

2.老师给的资料(各个网站)

推荐项目相关资源:

推荐资源汇总:

https://github.com/grahamjenson/list_of_recommender_systems

公开数据集:

http://shuaizhang.tech/2017/03/15/Datasets-For-Recommender-System/
http://cseweb.ucsd.edu/~jmcauley/datasets.html

开源项目:

https://github.com/LuckyZXL2016/Movie_Recommend
https://github.com/Microsoft/Recommenders

推荐系统架构:

https://blog.csdn.net/oufua/article/details/78427517
https://myslide.cn/slides/632
http://www.aboutyun.com/thread-23672-1-1.html

推荐算法库:

https://pypi.org/project/scikit-surprise/1.0.3/
http://www.librec.net
http://mahout.apache.org
http://www.libfm.org
https://github.com/princewen/tensorflow_practice/tree/master/recommendation

推荐论文汇总:

https://github.com/hongleizhang/RSPapers
https://github.com/robi56/Deep-Learning-for-Recommendation-Systems

爬虫库:

grab、scrapy、pyspider、cola、portia、restkit、demiurge、web

框架:

Django,Flask,Tornado

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,099评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,828评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,540评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,848评论 1 285
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,971评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,132评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,193评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,934评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,376评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,687评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,846评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,537评论 4 335
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,175评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,887评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,134评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,674评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,741评论 2 351

推荐阅读更多精彩内容