이것은 기계 학습을 처음 시도한 것입니다. 저는 옐프 데이터 세트를 사용하여 매우 간단한 추천 엔진을 작성하고 있습니다. 그것은 (데이터 처리)에 대한 팬더와 numpy 라이브러리를 사용하여 파이썬으로 작성되었습니다. 나는 이미 레스토랑 (수백만), 그 다음에만 라스베가스 (수천)의 레스토랑, 그리고 3.5 개 이상의 스타가있는 레스토랑 (50 개 이상의
사용자가 장르, 연도 또는 운영 시간과 같은 일부 속성에 대한 환경 설정을 기반으로 영화 추천을받을 수있는 작은 사이트를 만들고 있습니다. 내 데이터베이스는 다음과 같습니다 (화살표는 다 대다 관계를 의미) : 나는 그림에서 각 엔티티에 대한 모델이 가정, 어떻게 내가 추천해야하는 영화를 찾을 수 있습니까 사용자?
28k 사용자, 60k 위치 및 1m 리뷰가있는 데이터 세트가 있습니다. 나는 사용자가 어느 위치에 얼마나 가고 싶은지 예측할 수 있도록 일반적인 위치와 일반적인 속도를 고려하여 추천 시스템을 구현하고 있습니다. 여기 내가 그것을 HashMap<String, HashMap<String, Double>> user_locIDVisitsPredictions =
다음 스파크 코드의 저장 수준을 변경할 수 없습니다 은 이미 수준 에게 할당 된 후 RDD의 저장 수준을 변경할 수 없습니다 동일한 예외가 StorageLevel.MEMORY_ONLY으로 발생합니다. 한편 다음 코드는 제대로 작동합니다 val model = ALS.trainImplicit(ratings = ratingsRDD,
rank
나는 Java와 Neo4j로 간단한 소셜 네트워크를 개발 중이다. 사용자는 이미 수행 한 작업을 제출하고 태그로 태그를 지정할 수 있습니다. 또한 사용자는 관심 분야 (태그도 있음)를 추가 할 수 있습니다. 시스템은 아직 사용자가 수행하지 않은 것을 사용자에게 권장해야합니다. 사용자간에 유사도가 계산되는 협업 필터링에 대한 기사를 읽었습니다. 유사한 사용자
Google은 CS 학생이며 GP에 대한 추천 시스템을 개발 중입니다. 데이터 세트에는 사용자와 방문한 장소가 포함되어 있으므로 NLP를 사용하여 해당 장소를 활동으로 변환하려고합니다. 예. (몰 -> 쇼핑, 클럽 -> 놀기 ...) 등등. 또한 사용자가 의견을 적어두면 어떤 활동을하고 있는지 알 수 있습니다. 우리는이 시점에서 다소 분실되어 어디서부터 시
행렬 인수 분해 (MF) 모델을 학습하고 성능을 평가하기 위해 회수를 사용하기 위해 0-1 데이터를 사용합니다. 제로 데이터의 경우 두 가지 방법으로 해석 할 수 있습니다. 첫째, 사용자는 대충 좋아하지 않습니다. 둘째, 사용자는 그것에 대해 알지 못하거나 좋아하지 않습니다. 첫 번째 조건에서는 무작위로 음의 샘플을 샘플링하고 그래디언트 강하를 사용합니다.
사용자 선호도 및 프로필을 고려한 elasticsearch에서 사용자 제안 시스템을 모델링하려고합니다. user: {
id: 232344,
location: 'New York',
likes: [4545, 3434, 343]
}
내가 세 가지 개념 아래를 기반으로 사용자를 제안 할 : 날 좋아 1) 사용자 는이 같은 사용자 구