Python機(jī)器學(xué)習(xí)項(xiàng)目化教程（微課視頻版）課件 第13章 綜合案例：基于協(xié)同過(guò)濾的推系統(tǒng)

第13章綜合案例分析：基于協(xié)同過(guò)濾的推薦系統(tǒng)目錄CONTENTS13.1數(shù)據(jù)探索與分析13.2基于項(xiàng)目的協(xié)同過(guò)濾電影推薦系統(tǒng)13.5本章小結(jié)13.1數(shù)據(jù)探索與分析學(xué)習(xí)基礎(chǔ)學(xué)習(xí)認(rèn)知能力信息素養(yǎng)高M(jìn)ovieLens1M數(shù)據(jù)集是個(gè)性化推薦最為常用的數(shù)據(jù)集之一，它由美國(guó)Minnesota大學(xué)的GroupLens項(xiàng)目組創(chuàng)辦。MoveLens1M數(shù)據(jù)集包含來(lái)自6040名用戶對(duì)約3900部電影的100萬(wàn)條評(píng)價(jià)數(shù)據(jù)，這些數(shù)據(jù)分為3個(gè)表：users、movies和ratings。13.1數(shù)據(jù)探索與分析13.1數(shù)據(jù)探索與分析13.1數(shù)據(jù)探索與分析print(rating_means.loc[:5,['mean_rating','mean_age']])13.2基于項(xiàng)目的協(xié)同過(guò)濾推薦系統(tǒng)13.2基于項(xiàng)目的協(xié)同過(guò)濾推薦系統(tǒng)13.2基于項(xiàng)目的協(xié)同過(guò)濾推薦系統(tǒng)表13-3用戶-項(xiàng)目評(píng)分矩陣User 項(xiàng)目

item1 item2 item3 item4A 4 3 ？ 4B 5 5 3 4C 4 ？ 2 5D 4 5 2 ？E 3 2 2 313.2基于項(xiàng)目的協(xié)同過(guò)濾推薦系統(tǒng)表13-3用戶-項(xiàng)目評(píng)分矩陣User 項(xiàng)目

item1 item2 item3 item4A 4 3 ？ 4B 5 5 3 4C 4 ？ 2 5D 4 5 2 ？E 3 2 2 313.2基于項(xiàng)目的協(xié)同過(guò)濾推薦系統(tǒng)著名的TextCNN推薦系統(tǒng)構(gòu)造的模型如圖13-1所示。13.3本章小結(jié)本章主要以Movielens1M數(shù)據(jù)集為例介紹了基于協(xié)同過(guò)濾的推薦系統(tǒng)的實(shí)現(xiàn)，主要是要先獲取數(shù)據(jù)集并對(duì)數(shù)據(jù)集進(jìn)行劃分，然后通過(guò)分析數(shù)據(jù)集特征，計(jì)算項(xiàng)目相似性，然后進(jìn)行預(yù)測(cè)評(píng)分。最后，給出了目前流行的TextCNN推薦模型，基于深度學(xué)習(xí)的推薦方法是基于深度學(xué)習(xí)在文本的基礎(chǔ)上進(jìn)行的