本专区汇聚了各类基于 协同过滤 开发的源码资源，共计 39 篇资源供开发者免费下载学习。
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
算法过程：1).读入数据，将数据用user_brands存起来，同时建立userid_id，再建立id_brands 2).遍历id_brands得到物品-用户倒排表brand_
基于邻域的算法是推荐系统中最基本的算法，该算法不仅在学术界得到了深入的研究，而且在工业界也有广泛的应用。基于邻域的算法分为两大类，一类是基于用户的协同过滤算法，另一类是基于物品的协
用java写的协同过滤算法 基于item的协同过滤，通过用户对不同item的评分来评测item之间的相似性，基于item之间的相似性做出推荐；
java实现的几个推荐算法：slopeone SVD,RSVD,ItemNeighborSVD由于只是为了看看RMSE效果，因此很多功能都没完善如果需要跑起来看效果，那么你需要1.
该文件为java推荐系统源码，需要在linux下运行，作为毕业设计可以参考，如果作为商业的化，这个还不行，内容比较简单，适合入门学习，推荐系统算法主要是系统过滤算法，希望可以为你写
这是java实现的协同过滤算法，简单易行。相似度的计算的采用的是皮尔逊相关度，可以下载来运行，和其他相似度的计算方法进行比较。协同过滤算法是基于用户的协同过滤算法，计算用户和用户之
离线计算推荐电影模块 本模块采用离线式计算推荐给每位用户的电影，采用Item-based算法并做了适当修改，主要分两部分: 计算电影的相似度：利用调整的
一个在ecplise下用Mahout搭建的单机版的电影推荐系统，采用协同过滤推荐算法 ，计算用户间的相似度，然后采用最近邻选取法，选出最相似的用户，进行评分预测，能够实现基本的推荐
Java语言编写，关于协同过滤算法的电影推荐系统程序，基于项目的CF，计算项目相似度产生推荐结果。
爬取豆瓣电影数据的python脚本、使用user-base CF的原因、皮尔逊系数的octave实现。 注：按热点推荐，每页10条数据，
地理时空数据数据缺失值补充，分为全局视图，局部视图，时间维度、空间维度，采用的方法包括反向距离插值、指数平滑、基于物品的协同过滤算法、基于用户的协同过滤算法