精华内容
下载资源
问答
  • 协同过滤推荐算法:UserCF、ItemCF

    万次阅读 多人点赞 2018-08-17 18:13:29
    二、基于邻域的算法:UserCF、ItemCF 三、UserCF、ItemCF的改进 一、协同过滤推荐算法 协同过滤算法是指基于用户行为数据设计的推荐算法,主要包括: 1.基于邻域的算法:UserCF(基于用户的协同过滤算法)、Item...

    目录

    一、协同过滤算法

    二、基于邻域的算法:UserCF、ItemCF

    三、UserCF、ItemCF的改进


    一、协同过滤推荐算法

    协同过滤算法是指基于用户行为数据设计的推荐算法,主要包括:

    1.基于邻域的算法:UserCF(基于用户的协同过滤算法)、ItemCF(基于物品的协同过滤算法)

    2.隐语义模型:LFM

    3.基于图的随机游走算法:PersonalRank

    本文主要讲解基于邻域的推荐算法UserCF、ItemCF


    二、基于邻域的算法:UserCF、ItemCF

    1.UserCF的核心思想是:给用户推荐和他兴趣相似的其他用户喜欢的物品,算法主要包括两个步骤:

    <1>.找到和目标用户兴趣相似的用户集合; 

    要找到和目标用户兴趣相似的用户,就必须回答:什么样的用户兴趣相似?如何衡量两个用户兴趣相似的程度?
    在生活中我们知道,如果两个人都买了《推荐系统实战》这本书,说明两个人对推荐系统都感兴趣,如果两个人的书单一模一样,则两个人对书籍的兴趣爱好就特别相似。UserCF就是利用这种用户行为的相似计算兴趣的相似度。

    a.利用Jaccard公式计算                                              b.余弦相似度                                                         

    W\mathrm{\left ( u,v \right )}= \frac{\left | N(u)\bigcap N(v) \right |}{\left | N(u)\bigcup N(v) \right |}                                      W\mathrm{ \left (u,v \right )}= \frac{\left | N(u)\bigcap N(v) \right |}{\sqrt{\left | N(u) \right |\left | N(v) \right |}}

    上面两个式子是用来计算用户相似度的常用方法,其中Wuv:用户u和用户v的相似度;N(u):用户u产生过行为(喜欢)的物品的集合;|N(u)|:用户u产生过行为的物品的个数

    例如:若用户U1购买了a,b,c,用户U2购买了a,b,c,e,f,,用户U3购买了a,e,则(U1,U2),(U1,U3)的相似度分别为:

    W\mathrm{\left ( U1,U2 \right )}=\frac{\left | \left \{ a,b,c \right \} \bigcap \left \{ a,b,c,e,f \right \} \right |}{ \sqrt{ \left | \left \{ a,b,c \right \} \right | \left | \left \{ a,b,c,e,f \right \}\right | } }= \frac{\left | \left \{ a,b,c \right \} \right |}{\sqrt{3*5}}= \frac{3}{\sqrt{15}}               W\mathrm{\left (U1,U3 \right )}= \frac{1}{\sqrt{6}}

    有了用户相似度计算方法,我们就可计算每个用户和目标用户u的相似度,然后对这些相似度进行排序,得到和用户u兴趣相似的k个用户的集合S(u,k)

    <2>.找到用户集合中其他用户喜欢的且目标用户没有听说过的物品推荐给目标用户

    给用户推荐与其兴趣相似的K个用户喜欢的物品,我们首先要找到K个用户喜欢而用户没有接触过的物品,前后计算用户对该物品的感兴趣程度,根据感兴趣程度对物品进行排序,然后推荐给用户感兴趣程度较高的物品,在UserCF中衡量用户对某物品的感兴趣程度使用以下公式:

    P\left ( u,i \right )= \sum_{v\in S\left ( u,k \right ) \bigcap N\left ( i \right )}W\left ( u,v \right )*r\left ( v,i \right )

    其中P(u,i)表示用户u对物品i的喜欢程度;N(i)表示喜欢物品i的用户集合;r(v,i)表示用户v对物品i是否产生过行为(对于评分系统,可以表示v对i的评分)。

    以上面用户U1,U2,U3为例,k取2,U1没有对物品e,f产生过行为:
    S(U1,2) = {U2,U3};N(f) = {U2} ;N(e) = {U2,U3}

                      = W\left ( U1,U2 \right )*r\left ( U2,e \right )+W\left ( U1,U3 \right )*r\left ( U3,e \right )

                      = \frac{3}{\sqrt{15}}*1+\frac{1}{\sqrt{6}}*1

    P\left ( U1,f \right )=\frac{3}{\sqrt{15}}

    如果要给用户U1只推荐一个物品,由于P(U1,e)>P(u1,f),推荐物品e。

    精度指标不和参数k成线性关系,对k也不是特别敏感,K只要选定在一定范围内,就可以获得不错的精度。k越大则UserCF推荐结果就越热门(流行度越大),覆盖率越低

     

    2.ItemCF的核心思想是:给用户推荐和其过去感兴趣的物品相似的物品,算法主要包括两个步骤:

    <1>.计算物品之间的相似度

    每个用户的兴趣都局限在某几个方面,如果两个物品属于一个用户的兴趣列表,那么两个物品可能就属于有限的几个领域,而如果两个物品同属于很多用户的兴趣列表,那么他们就可能属于同一个领域,因而有很大的相似度。因此ItemUser利用下面公式计算物品之间的相似度:

    W\mathrm{ \left (ij \right )}= \frac{\left | N(i)\bigcap N(j) \right |}{\sqrt{\left | N(i) \right |\left | N(j) \right |}}

    其中,W(i,j)表示物品i,j之间的相似度;N(i)表示喜欢物品i的用户集合,|N(i)|表示喜欢物品i的用户的个数

    还是以上面  用户U1购买了a,b,c,用户U2购买了a,b,c,e,f,,用户U3购买了a,e 举例说明:
    a:U1,U2 ,U3   b:U1,U2   c:U1,U2   e:U2,U3   f:U2

     W\mathrm{ \left (b,e \right )}=\frac{1}{\sqrt{4}}       W\mathrm{ \left (a,c \right )}= \frac{2}{\sqrt{6}}       W\mathrm{ \left (c,e \right )}= \frac{1}{\sqrt{4}}      W\mathrm{ \left (a,e \right )}= \frac{2}{\sqrt{6}}      

     W\mathrm{ \left (f,e \right )}= \frac{1}{\sqrt{2}}       W\mathrm{ \left (a,f \right )}= \frac{1}{\sqrt{3}}      W\mathrm{ \left (b,f \right )}= \frac{1}{\sqrt{2}}      W\mathrm{ \left (c,f \right )}= \frac{1}{\sqrt{2}}

    <2>计算用户U对一个物品的兴趣

    P\left ( u,j \right )= \sum_{i\in S\left ( j,k \right ) \bigcap N\left ( u \right )}W\left ( j,i \right )*r\left ( u,i \right )

    其中P(u,j)表示用户u对物品j的兴趣,S(j,k)表示和物品j最相似的k个物品,N(u)表示用户产生过行为的物品集合,r(u,i)表示用户u对物品i是否产生过行为(对于评分系统,可以表示u对i的评分)。

    以上面例子说明,给用户U1推荐物品,K取3,用户U1没有对e,f产生过行为:
    S(e,3) = {a,f,b(c)},   S(f,3) = {e,b,c}

    P\left ( U1,e \right )= \sum_{i\in S\left ( e,3 \right ) \bigcap N\left ( U1 \right )}W\left ( e,i \right )*r\left ( U1,i \right )                      P\left ( U1,f \right )= \sum_{i\in S\left ( f,3 \right ) \bigcap N\left ( U1 \right )}W\left ( f,i \right )*r\left ( U1,i \right )

                     = \sum_{i\in \left \{ a,f,b \right \} \bigcap \left \{ a,b,c \right \}}W\left ( e,i \right )*r\left ( U1,i \right )                                       = \sum_{i\in \left \{ e,b,c \right \} \bigcap \left \{ a,b,c \right \}}W\left ( f,i \right )*r\left ( U1,i \right )

                     = W\left ( e,a \right )*1+W\left ( e,b \right )*1= \frac{2}{\sqrt{6}}+\frac{1}{\sqrt{4}}                           = W\left ( f,b \right )*1+W\left ( f,c \right )*1= \frac{1}{\sqrt{2}}+\frac{1}{\sqrt{2}}

    如果要给用户U1只推荐一个物品,由于P(U1,e)<P(U1,f),推荐物品f。

    精度不和k成线性关系,选择合适的k比较重要

     

    3.UserCF和ItemCF的比较

    从五个方面对UserCF,ItemCF进行比较
    <1>个性化程度:
       UserCF推荐结果着重于和用户兴趣相似的小群体的热点,推荐更加社会化,反映了用户所在兴趣群体中物品的热门程度
       ItemCF着重于维护用户的历史兴趣,推荐更加个性化,反映了用户自己的兴趣传承,可以用于长尾物品丰富的领域
    <2>可解释性:ItemCF可以利用用户的历史行为给推荐结果提供推荐解释,UserCF很难对推荐结果作出解释
    <3>相似度矩阵:UserCF要计算用户相似度矩阵,适用于用户个数远少于物品个数的场景,ItemCF要计算物品相似度矩阵,适用于物品个数远少于用户个数的场景;互联网中物品的相似度相对于用户的兴趣一般比较稳定,UserCF中用户相似度矩阵相比ItemCF中物品相似度矩阵更新更频繁
    <4>物品冷启动:UserCF对物品冷启动不敏感, 对于新加入系统的物品,一旦有用户对该新物品产生行为,UserCF可以将该新物品推荐给和该用户相似的人群,而ItemCF无法很好地推荐新加入的物品
    <5>用户冷启动:ItemCF对用户冷启动不敏感,对于新加入的用户,一旦新用户对某物品产生行为,ItemCF可以给该新用户推荐和该物品相似的物品,而UserCF无法很好地给新加入的用户产生推荐

    实际在互联网中使用ItemCF比较多。UserCF多用于新闻推荐,热门程度和时效性是新闻推荐的两个中点,UserCF可以给用户推荐和有相似爱好的一群其他用户都在看的新闻,这样抓住热点和时效性的同时,又保证了一定的个性化。


    三、UserCF、ItemCF的改进

    1.考虑物品的热门程度和用户的活跃度

    <1>User-IIF

    User-IIF认为两个用户对冷门物品采取过同样的行为更能说明他们兴趣的相似,使用以下公式计算用户的相似度

    W\mathrm{ \left (u,v \right )}= \frac{ \sum_{i\in N(u) \bigcap N(v) } \frac{1}{ \log (1+ \left | N(i) \right |) } }{\sqrt{\left | N(u) \right |\left | N(v) \right |}}   ,其中|N(i)|表示对物品i产生过行为的用户的数量

    惩罚了用户u和用户v共同兴趣列表中热门物品对他们相似度的影响

    <2>Item-IUF

    Item-IUF认为活跃用户对物品相似度的贡献应小于不活跃用户,使用以下公式计算物品的相似度

    W\mathrm{ \left (i,j \right )}= \frac{ \sum_{u\in N(i) \bigcap N(j) } \frac{1}{ \log (1+ \left | N(u) \right |) } }{\sqrt{\left | N(i) \right |\left | N(j) \right |}}   ,其中|N(u)|表示用户u产生过行为的物品的个数

    2.考虑时间因素

    上面的算法都没有考虑时间因素,时间因素对推荐系统的准确率有一定的影响

    <1>时间上下文相关的UserCF算法:

    前面的UserCF算法认为用户对相同的物品产生过行为,则他们兴趣比较相似,显然如果两个用户同时对同一物品产生行为,则我们认为他们有更大的相似性。例如用户U1在18年1月购买了《推荐系统实战》,用户U2在18年2月购买了《推荐系统实战》,用户U3在15年1月购买了《推荐系统实战》,则我们认为U1和U2的兴趣相似度大于U1和U3。

    在计算用户相似度的时候加上时间因素,使用下面公式:

    W\mathrm{ \left (u,v \right )}= \frac{ \sum_{i\in N(u) \bigcap N(v) } \frac{1}{ 1+ \alpha * \left| T\mathrm{ui} -T\mathrm{vi} \right | } }{\sqrt{\left | N(u) \right |\left | N(v) \right |}}

    其中Tui表示用户u对物品i产生行为的时间,\frac{1}{\alpha*\left | T\mathrm{ui} -T\mathrm{vi}\right |}可用任意随|Tui-Tvi|递减的且大于0的函数代替

    找到和当前用户u兴趣相似的用户后,这组用户最近的兴趣相比之前的兴趣更加接近用户u当前的兴趣,可使用以下公式计算P(u,i)

    P\left ( u,i \right )= \sum_{v\in S\left ( u,k \right ) \bigcap N\left ( i \right )}W\left ( u,v \right )*r\left ( v,i \right )*\frac{1}{1+\alpha \left ( T\mathrm{0}-T\mathrm{vi} \right )}   ,其中T0表示当前时间

    <2>时间上下文相关的ItemCF算法:

    通常用户在很短时间内喜欢的物品更有相似性,在计算物品相似度时加上时间因素,使用下面公式:

    W\mathrm{ \left (i,j \right )}= \frac{ \sum_{u\in N(i) \bigcap N(j) } \frac{1}{ 1+ \alpha * \left| T\mathrm{ui} -T\mathrm{uj} \right | } }{\sqrt{\left | N(i) \right |\left | N(j) \right |}}

    用户近期行为相比之前行为更能体现用户当前的兴趣,可使用以下公式计算P(u,i)

    P\left ( u,i \right )= \sum_{j\in S\left ( i,k \right ) \bigcap N\left ( u \right )}W\left ( i,j \right )*r\left ( u,j \right )*\frac{1}{1+\alpha \left ( T\mathrm{0}-T\mathrm{uj} \right )}

     

    参考书籍:《推荐系统实战》、《Python机器学习算法》          

    展开全文
  • UserCF和ItemCF 比较

    2017-07-20 15:21:26
    UserCF 原理: 给用户推荐和他有共同爱好的用户喜欢的物品,更加社会化,反映了用户所在小型兴趣群体中物品的热门程度; ItemCF 原理: 给用户推荐和他之前喜欢的物品相类似的物品,更加个性化,反应了用户自己的...

    UserCF 原理: 给用户推荐和他有共同爱好的用户喜欢的物品,更加社会化,反映了用户所在小型兴趣群体中物品的热门程度;
    ItemCF 原理: 给用户推荐和他之前喜欢的物品相类似的物品,更加个性化,反应了用户自己的兴趣的传承。

    方法 UserCF ItemCF
    性能 用户较少的场合 物品数量明显小于用户
    领域 时效性强,用户个性化不那么明显 长尾物品丰富,个性化需求强烈
    实时性 有新行为不一定造成推荐结果的立刻变化 新行为造成实时变化
    推荐理由 很难提供令用户信服的理由 利用用户历史行为解释,可信度高
    展开全文
  • 游戏圈儿的那些事专注资讯赛事、技巧和装机天天在用钱经常玩CF的小伙伴,如果使用某些咳咳,机器码被封怎么办?今天给大家分享不用重装电脑帮你解封cf机器码,喜欢的朋友别忘记点赞哦。完全傻瓜式操作,不需要你重装...

    5d582042d434137b303f81d5d78a1f1f.png

    游戏圈儿的那些事专注资讯赛事、技巧和装机ce01116942e13f070e810a4572cb659f.png天天在用钱

    经常玩CF的小伙伴,如果使用某些咳咳,机器码被封怎么办?今天给大家分享不用重装电脑帮你解封cf机器码,喜欢的朋友别忘记点赞哦。

    完全傻瓜式操作,不需要你重装系统,也不需要你去某宝花钱求人购买过机器码软件!

    8b0216e9783b438cdf8807cac289011b.png

    适用系统:全系统支持 程序格式:压缩包 注意事项:

    这教程不需要任何软件,不用重装系统

    教程:

    1、右键此电脑点击管理-—设备管理器-—网络适配器

    2、点左上角的 操作-—添加过时硬件

    3、点下一步

    4、点安装我手动从列表选择的硬件(高级)M

    5、点网络适配器

    6、点Microsoft--点右侧MicrosoftKM-TEST环回适配器-—点下一步就可以了(这里和Win7不一样Win7选的是Microsoft Loopback Adapter)然后安装,安装成功打开网络适配器重启原来的所有网卡

    7、安装以后要重新启动所有网卡即可

    *版权声明:转载文章和图片均来自公开网络,版权归作者本人所有,推送文章除非无法确认,我们都会注明作者和来源。如果出处有误或侵犯到原作者权益,请与我们联系删除或授权事宜。

    e5258abdaf557b69d2f6775d68b679d7.gif

    CF体验服手动过检测 cf最新过检测方法

    CF机器码解封教程 理论支持百分之90游戏 含工具使用

    2020CF解除机器码封禁教程 含工具地址

    c6b05a97c47093b065268df3182a3740.gif您点的每个赞,我都认真当成了喜欢
    展开全文
  • 爱上CF

    千次阅读 2014-06-10 20:54:26
    爱上CF Time Limit: 1000ms Memory limit: 65536K 有疑问?点这里^_^ 题目描述 CF,codeforces不是Crossfire。身为一个Acmer,RE大神与Soaring大神最喜欢做每五天一次的CF,从11:30到1:30,然后和逗...

    爱上CF

    Time Limit: 1000ms   Memory limit: 65536K  有疑问?点这里^_^

    题目描述

    CF,codeforces不是Crossfire。身为一个Acmer,RE大神与Soaring大神最喜欢做每五天一次的CF,从11:30到1:30,然后和逗比学长们一起等着跑数据等到两点半,然后再一起嘲笑一坨学长和柴爷,实在是人生一大快事。
    但是Triple_S队的另一员——Winddreams,竟然还不会算CF的单局积分。实在是略萌啊。身为队长的RE大神只能把CF的详细规则再给Winddreams讲一遍了。
    CF中共A,B,C,D,E五道题,其初始分分别为500,1000,1500,2000,2500。
    比赛共两个小时,每过一分钟每道题目的分数分别下降2,4,8,16,32分。例如你在00:08的时候提交A题,就会获得484分。
    比赛中对于不成功的提交(统称为WA)将扣掉该题50分;每道题的分数是单独的,如果没有AC不管这道题WA几次,不会扣总分。而且每道题的最低得分为150分,当分数降低至150分时,不在进行分数削减。
    比赛中还有一种叫做HACK的玩法,就是在锁定自己的题目代码后,你可以查看他人的代码,如果别人的代码有漏洞你可以出一组测试数据证明他是错的,如果你成功了(Successful Hack)你讲获得100分,如果你失败了(Unsuccessful Hack)你将被扣50分。同理,你也可以被Hack如果你被Hack成功了(Hack)将视为该题WA。
    由于最近RE大神和Soaring要忙一下补觉的问题,所以,需要你来为Winddreams写一个程序来计算得分情况。

    输入

    多组输入。输入一个T(T<=50)表示有T个操作,在接下来的T行里,每行输入三个个变量(中间用空格隔开),分别是时间t(XX:XX),题目No(A,B,C,D,E)以及题目返回结果E(WA ,AC,Hack,Successful Hack,Unsuccessful Hack)。

    输出

    最终得分。

    示例输入

    19
    00:03 A AC
    00:10 B WA
    00:12 B WA
    00:13 B AC
    00:30 C WA
    00:40 B Hack
    00:45 B WA
    00:45 B WA
    00:46 B WA
    00:47 B WA
    00:48 B WA
    00:48 B WA
    00:50 B WA
    00:54 B WA
    00:55 B WA
    00:57 B WA
    00:59 B AC
    01:10 A Successful Hack
    01:49 B Unsuccessful Hack

    示例输出

    694

    提示

     

    来源

     

    示例程序

     

    这道题题目有点长,对于那些没做过cf的人理解起来可能有点困难,慢慢理解。
    看到陶兄敲了一百多行,瞬间我就感觉懵了~然后果断膜拜YanBaoC,终于完成了。

     

     

    #include <stdio.h>
    #include <string.h>
    #include <stdlib.h>
    #include <math.h>
    int main()
    {
        int T;
        int h,m;
        char tihao;
        char x[30];
        int sum[6];//sum是用来计数分数:sum[0]是A sum[1]是B sum[2]是C sum[3]是D sum[4]是E sum[5]是总值;
        int count[5];//是计数每个状态出现的次数;
        while (~scanf("%d",&T))
        {
            memset(count,0,sizeof(count));
            memset(sum,0,sizeof(sum));
            while (T--)
            {
                scanf("%d:%d %c ",&h,&m,&tihao);//注意它的输入,在%c后面有一个小空格  或者用%c%*c来代替。scanf 函数数中”*”表示本输入项在读入后不附值给相应的变量
                gets(x);
                if(x[0]=='A')
                {
                    sum[tihao-'A']=(tihao-'A'+1)*500-(h*60+m)*pow(2,tihao-'A'+1)-count[tihao-'A']*50;
                    if(sum[tihao-'A']>150)
                        sum[tihao-'A']=(tihao-'A'+1)*500-(h*60+m)*pow(2,tihao-'A'+1)-count[tihao-'A']*50;
                    else
                        sum[tihao-'A']=150;
                }
                if(x[0]=='W')
                    count[tihao-'A']++;
                if(x[0]=='H')
                {
                    sum[tihao-'A']=0;
                    count[tihao-'A']++;
                }
                if(x[0]=='S')
                {
                    sum[5]+=100;
                }
                if(x[0]=='U')
                {
                    sum[5]-=50;
                }
            }
            for(int i=0;i<5;i++)
            {
                sum[5]+=sum[i];
            }
            printf("%d\n",sum[5]);
        }
        return 0;
    }
    
    
    
    
    


     

    展开全文
  • 近期CF总结

    千次阅读 2020-05-17 18:45:42
    最近打CF的次数还是比较多的,所以这篇博客就用来总结一下我的CF经历。 到现在为止我一共打了15场CF了,从刚开始的爆零到后来慢慢能出一个题,再到现在Div2能出俩题,Div3-Div4能出两三个题,我还是很开心能感觉到...
  • usercf 与 itemcf的原理分析

    千次阅读 2017-09-17 18:37:14
    再看《推荐系统实践》这本书的时候,在usercf与itemcf的推荐原理上,不是很清晰,特此做了一下总结: 用户:A,B,C,D 商品:a,b,c,d,e 案例一:我们有如下购买行为记录,分别计算矩阵usercf 与 ...
  • 协同过滤算法分类-UserCF和ItemCF比较 ①、实时性: 针对UserCF 是根据用户相似度矩阵来完成推荐,用户user本身的用户行为并不会造成推荐的结果发生改变 ItemCF是根据相似度物品矩阵来完成推荐的,用户user一旦有...
  • CF实时估分软件——CF-Predictor

    千次阅读 2019-11-25 18:46:30
    CF-Predictor是Codeforces的估分插件,可以按照实时排名来估计分数增减(因为运行会比较慢,所以点击后要多等一会才会出分),这样就可以在分数没出的时候预估分数,效果如下图所示 这是下载地址...
  • 二、基于邻域的算法:UserCF、ItemCF 三、UserCF、ItemCF的改进 一、协同过滤推荐算法 协同过滤算法是指基于用户行为数据设计的推荐算法,主要包括: 1.基于邻域的算法:UserCF(基于用户的协同过滤算法)、Item...
  • itemCF算法

    千次阅读 2019-02-15 13:55:53
    什么是itemCF算法? itemCF:ItemCollaborationFilter,基于物品的协同过滤   算法的核心思想:给用户推荐那些和他们之前喜欢的物品相似的物品   那么如何判断物品的是否相似呢? 该算法认为,喜欢物品A的用户...
  • UserCF和ItemCF详细对比

    2018-03-13 17:12:27
    UserCF推荐和当前用户相似度高的N个用户产生过行为的物品给当前用户;这些物品是当前用户没有行为过而其他N个用户行为过的物品的前M个;余弦相似度改进:在分子中除了考虑两个用户共同行为的物品,还考虑到这个物品...
  • UserCF和ItemCF终极对比

    千次阅读 2015-08-27 16:24:23
    本文内容主要是我看了项亮的《推荐系统实践》一书,之前对于UserCF和ItemCF也是用的模模糊糊,这次好好整理了一下,加上自己一些总结和心得。UserCF推荐和当前用户相似度高的N个用户产生过行为的物品给当前用户;...
  • Item CF 和 User CF的适用场景和区别

    千次阅读 2017-04-21 14:39:24
    Item CF 和 User CF两个方法都能很好的给出推荐,并可以达到不错的效果。但是他们之间还是有不同之处的,而且适用性也有区别。下面进行一下对比  计算复杂度  Item CF 和 User CF 是基于协同过滤推荐的两个...
  • ItemCF与UserCF算法的原理与对比

    千次阅读 2018-10-01 13:35:16
    1. ItemCF算法与UserCF算法的基本原理 算法名称 原理 优点 相似度计算 备注 User CF 给用户推荐和他有相同兴趣爱好的用户喜欢的物品。(维护一个用户相似度矩阵) 着重反应和用户相似的小群体的热点,反应了...
  • UserCF和ItemCF的综合比较(待续)

    千次阅读 2018-09-08 17:55:19
    UserCF是推荐系统领域较为古老的算法, 1992年就已经在电子邮件的个性化推荐系统Tapestry中得到了应用, 1994年被GroupLens①用来实现新闻的个性化推荐,后来被著名的文章分享网站Digg用来给用户推荐个性化的网络...
  • cf规则介绍

    千次阅读 2018-05-09 21:59:09
    简称: cf(所以谈论cf的时候经常被误会成TX的那款游戏). 网址: codeforces.com  这是一个俄国的算法竞赛网站,由来自萨拉托夫州立大学、由Mike Mirzayanov领导的一个团队创立和维护,是一个举办比赛、做题和交流的...
  • CF卡知识

    2015-09-04 13:51:10
    CF卡:
  • 如何解决CF安全数据上报异常 16-2

    万次阅读 2020-06-18 17:56:52
    如何解决CF安全数据上报异常 16-2 问题: 最近换了台电脑,自己将原来电脑的机械硬盘装到新的电脑上,我想,换了台电脑,不玩点游戏好像对不起自己,所以下载了CF,但是玩了两局个人竞技+一局人机(还不到1个小时)...
  • 关于UserCF和ItemCF的那点事

    千次阅读 2012-06-02 13:52:20
    UserCF和ItemCF是协同过滤中最为古老的两种算法,在top-N的推荐上被广泛应用。这两个算法之所以重要,是因为他们使用了两个不同的推荐系统基本假设。UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西,而ItemCF...
  • UserCF 给用户推荐那些和他有共同兴趣爱好的用户喜欢的物品,而 ItemCF 给用户推荐和他之前喜欢的物品类似的物品。从这个算法的原理可以看到,UserCF 的推荐结果着重于反映和用户兴趣相似的小群体的热点,而 ItemCF ...
  • UserCF: 性能:适用于用户较少的场合,如果用户很多,计算用户相似度矩阵代价很大。 领域:时效性较强,用户个性化兴趣不太明显的领域。 实时性:用户有新行为,不一定造成推荐结果的立即变化。 冷启动: 在新...
  • 一、UserCF https://blog.csdn.net/shixiaoguo90/article/details/80253567 二、ItemCF
  • CF 外挂

    2009-03-02 11:12:00
    CF外挂 
  • CF DP练习题

    2017-06-24 21:18:18
    CF DP练习题标签(空格分隔): ACM DP Codeforces CF CF 494CCF 682DCF 679BCF dp练习题组
  • Mahout之UserCF

    2016-07-28 08:55:28
    Mahout UserCF
  • CFCF目标跟踪

    2019-01-16 20:47:49
    (2)CFNet与DCFNet建立在轻量级架构,而CFCF的网络模型更大,性能更好;(3)CFCF中的 反向传播 公式基于傅里叶域中的广义链法则与实信号的共轭对称性,而CFNet的反向传播基于差分伴随; 【5】 CNN架构 : ...
  • 关于USERCF和ITEMCF的那点事 ...UserCF和ItemCF是协同过滤中最为古老的两种算法,在top-N的推荐上被广泛...UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西,而ItemCF认为一个人会喜欢和他以前喜欢的东西
  • 游戏圈儿的那些事专注资讯赛事、技巧和装机天天在用钱大家好,今天圈圈给大家带来CF解机器码的方法,相信你们都能从中学到东西,喜欢的小伙伴记得点赞哦。具体步骤:1.首先重启电脑2.重启后吧C盘的C:\Program Files ...
  • 一、定义UserCF:推荐那些和他有共同兴趣爱好的用户喜欢的物品ItemCF:推荐那些和他之前喜欢的物品类似的物品根据用户推荐重点是反应和用户兴趣相似的小群体的热点,根据物品推荐着重与用户过去的历史兴趣,即:User...
  • FANUC小黄机无法读取CF比较常见,现在针对一下问题进行剖析,先简单再复杂,由浅入深,逐一排查原因。希望江郎写的这些文章能够对大家有所帮助,大家互相学习,共同进步!传程式CF无法读取的原因江郎总结如下:参数...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 157,350
精华内容 62,940
关键字:

cf