推荐系统

《实用推荐系统》经过亲测，在2019年仍能正常使用。

在线推荐系统帮助用户找到电影、工作、餐馆，甚至是浪漫伴侣！结合统计数据、人口统计学和查询术语的艺术，可以实现让用户满意的结果。学习如何正确构建推荐系统：这可能是您应用程序的成败之关！

《基于Spark和Scala的POI推荐系统详解》 POI（Point of Interest）推荐系统是应用广泛的一种服务，常用于导航、旅游和餐饮等领域，根据用户的兴趣点进行个性化推荐。本项目“POIRecommendSystem”参考了尚硅谷电影推荐系统的设计，采用了Spark和Scala技术，详细探讨了如何构建一个高效的POI推荐系统，帮助用户发现符合其兴趣的地点。系统包括数据采集、预处理、特征提取、模型训练、推荐生成和系统评估等关键组件。协同过滤算法如SVD和ALS被广泛应用于该系统，通过分析用户行为数据，实现了精准的个性化推荐。

使用内容标签 CBCF、协同过滤 UBCF 和协同过滤 IBCF 实现，已通过助教测试。

基于 Spark 的推荐系统项目，还挺实用的，适合搞大数据或者电商方向的朋友。项目用了ALS做协同过滤，逻辑清晰，代码也不绕。配合MLlib、DataFrame API这些常用组件，流程还挺顺。前面有数据清洗，后面模型训练，走得蛮全的，像评论文本也了，细节做得还不错。 Spark 的分布式能力用起来蛮香，像Spark Streaming也有涉及，能搞在线推荐那种。你要是数据量大、用户多，这项目的结构你可以直接套。推荐算法方面除了ALS，也提到了Neural Collaborative Filtering（NCF），适合想引点深度学习思路进去的。 模型评估这块也没落下，用了Precision@K

本书专精于推荐系统中的信任网络算法，这类算法在推荐系统领域中属于较为冷门的方向。

构建商品推荐系统，利用协同过滤算法，根据用户画像及购买历史，推荐相关商品，为用户提供个性化购物体验。

项目信息: 课程：CS532 数据挖掘 项目名称：基于评分的推荐系统 作者：Madhan Thangavel 学号：B00814916 开发环境：VS Code，remote.cs.binghamton 构建说明: 本项目使用 Apache Ant 进行构建，配置文件 build.xml 位于 RecommendationerSystem/src 目录下。 清除构建文件: cd Rating--Recommender-System ant -buildfile RecommendationerSystem/src/build.xml clean 说明: 该命令会删除所有由编译生成的 .

该资源提供了一套基于 Spark 框架构建的电商推荐系统源码，可用于学习和实践个性化推荐算法。

基于 Spark 的电影推荐系统.zip 是个还不错的资源，适合想深入了解推荐系统原理、顺便动手练练 Spark 的你。讲得挺系统，从数据清洗、模型训练到实时推荐都有覆盖。用的核心是协同过滤，算是推荐算法里比较经典的做法。Spark 的 MLlib用起来还蛮顺的，大规模评分数据也不在话下。整体思路清晰，代码也不复杂，跑通之后你会对推荐系统的实现有个比较扎实的理解。评分数据预部分讲得挺细，比如怎么用DataFrame缺失值、转时间戳。完了就可以搞User-Based CF或者Item-Based CF，两种方式都提到了，配合实际需求灵活切换就行。训练环节支持调参数，比如相似度怎么选、邻居数 K设