相关阅读
相关 项亮《推荐系统实践》——使用LFM隐语义模型进行Top-N推荐
使用LFM（Latent factor model）隐语义模型进行Top-N推荐 参考 [https://blog.csdn.net/HarryHuang1990/art
今天药忘吃喽~相关 推荐系统实践_项亮（2）利用用户行为数据
目录 第2章 利用用户行为数据 2.1 用户行为数据简介 2.2 用户行为分析 2.2.1 用户活跃度和物品流行度的分布：长尾分布 2.2.2 用户活跃度和物品流行度
淩亂°似流年相关 推荐系统实践_项亮（1）好的推荐系统
目录 第1章 好的推荐系统 1.1 什么是推荐系统 1.2 个性化推荐系统的应用 1.2.1 电子商务 1.2.2 电影和视频网站 1.2.3 个性化音乐网络电台
约定不等于承诺〃相关 推荐系统实践_项亮（5）利用上下文信息
目录 5.1 时间上下文信息 5.2 地点上下文信息 -------------------- 用户上下文信息也很重要：时间、地点、心情等。举例： 衣服：季节
Bertha 。相关 推荐系统实践_项亮（4）利用用户标签数据
联系用户与物品的几种途径： 
「爱情、让人受尽委屈。」相关 推荐系统实践_项亮（3）推荐系统冷启动问题
目录 3.1 冷启动问题简介 3.2 利用用户注册信息 3.3 选择合适的物品启动用户的兴趣 3.4 利用物品的内容信息 3.5 发挥专家的作用 ---------
刺骨的言语ヽ痛彻心扉相关 推荐系统实践_项亮（8）评分预测问题
目录 8.1 离线实验方法 8.2 评分预测方法 总结 -------------------- TOPN和评分预测问题 8.1 离线实验方法 优化RM
我会带着你远行相关 推荐系统实践_项亮（7）推荐系统实例
目录 7.1 外围架构 7.2 推荐系统架构 7.3 推荐引擎的架构 -------------------- 7.1 外围架构 
╰+攻爆jí腚メ相关 推荐系统实践_项亮（6）社交网络数据
目录 6.1 获取社交网络数据的途径 6.2 社交网络数据简介 6.3 基于社交网络的推荐 6.4 给用户推荐好友 6.5 扩展阅读 ---------------
相关 推荐系统实践学习系列（五）利用上下文信息
> 上下文包括用户访问推荐系统的时间、地点、心情等。 -------------------- （一）时间上下文 1 用户的兴趣是随着时间变化的，三天打鱼两天晒
还没有评论，来说两句吧...