发简信
IP属地：贵州
-
官方正名:我们就是新生代农民工！近日，各大IT技术群，IT从业者朋友圈，都被这样一张图片给刷屏了。原来是人社部发了一篇关于北京外来新生代农民工监测报告。报告中，把从事信息传输、...
-
Neo4j 做推荐 （12）—— 协同过滤（基于邻域的推荐）
kNN——K近邻 现在我们有了一种基于偏好查找类似用户的方法，下一步是允许每个k个最相似的用户投票选择应该推荐的项目。 主要有： “与我的电影最...
-
Neo4j 做推荐 （11）—— 协同过滤（余弦相似度）
余弦距离： Jaacard相似度对于比较电影很有用，实际上是比较两组（类型、演员、导演等）。但是对于电影评级，每个关系都有一个我们可以考虑的权重...
-
Neo4j 做推荐 （10）—— 协同过滤（皮尔逊相似性）
皮尔逊相似性或皮尔逊相关性是我们可以使用的另一种相似度量。这特别适合产品推荐，因为它考虑到不同用户将具有不同的平均评分这一事实：平均而言，一些用...
-
Neo4j 做推荐 （9）—— 协同过滤（人群的智慧）
简单的协同过滤 MATCH (u:User {name: "Cynthia Freeman"})-[:RATED]->(:Movie)<-[:R...
-
Neo4j 做推荐 （8）—— 协同过滤（利用电影评级）
协同过滤： 使用网络中其他用户的首选项，评级和操作来查找要推荐的项目。 （买这个东西的用户，还买了那个东西） 用户Misty Williams的...
-
Neo4j 做推荐 （7）—— 基于内容的相似度量标准相似度量是用于生成个性化推荐的重要组件，这些推荐允许我们量化两个项目的相似程度（或者我们稍后会看到，两个用户偏好的相似程度）。 Jaccard指...
-
Neo4j 做推荐 （6）—— 加权内容算法除了考虑计算相似性的类型之外，还有更多的特征，如演员和导演。让我们使用加权总和根据他们共同的演员、流派和导演的数量对建议进行评分，以提高分数。根...
-
Neo4j 做推荐 （5）—— 基于类型的个性化建议如果我们知道用户看过了哪些电影，我们可以使用此信息来推荐类似的电影： // Content recommendation by overlapp...