推荐系统中，基于邻域算法中的基于用户的协调过滤推荐算法的实现，环境Visual C++ 6.0，数据集MovieLens。

线性规划的matlab代码 RecommenderSystems 主要是对推荐系统常用算法 matlab 代码版的编写。 包括了Pearson相似度算法，基于用户的UserCF算法，基于物品的ItemCF算法，slope one算法，TopN推荐，MAE，RMSE，topN推荐准确度，覆盖率计算等常用算法 实验代码有些是两年前写的，编写有些不太规范，且个别程序时间复杂度上较高，先存在这上面，供以后自己有需要时能够方便温故、翻新。 关于编写协同过滤推荐算法代码中的一些需要注意的参数细节： 由于推荐系统方面学术研究方面大多是是离线实验，且实验参数较多，每个学者改进的点不一样各固定参数可能与别的学者很少出现全部一直，所有完全复制一篇论文中的实验结果是极其困难的。且很多学者在文章中并没有交代，比如数据集中测试集和训练集的划分比例、实验次数、随机划分策略、目标用户和目标项目的占项目的比例、由于传统公式的缺陷性各种为出现无穷大和为1或者为0时的处理、近邻数量的设置、推荐列表长度的设置等等，所有的这些，有一个参数不一样，实验数据都会发生很大的变化。 那些曾经踩过的坑，待续……

MovieRecommendation 基于Python3，实现电影推荐系统，数据集是MovieLens官方数据集【见data.txt】 基于用户的协同过滤算法UserCF，UserCF的思想见博客： 基于项目的协同过滤算法ItemCF 关于推荐系统的介绍见博客：

推荐SYS_with_movielens 使用FunkSVD，FM，itemCF / UserCF，使用残差网络的宽带和深度，使用残差网络的deepFM等构建ResSys。我尝试尽快收集所有算法。 我提供了一些基于movielens的算法 SVD： FunkSVD： BiasSVD： SVD ++ 因子分解机：FM 协同过滤 深度学习（tensorflow 2.x）宽而深 深度fm NFM

用户配置文件 usercfg 是一款面向开发者的远程账户配置工具。 给定一个实现开放协议的服务器，usercfg 为多个站点上的多个帐户提供简单且无密码的命令行管理。 参考实现基于灵活的协议提议，允许一致的服务器提供各种帐户管理命令。 然后通过客户端命令行工具将它们呈现给用户。 目前在 Haskell 中有一个参考服务器，在 Python 中有一个客户端。 然而，该协议足够简单，可以允许并希望鼓励替代实现。 Haskell 服务器实现为密码重置请求提供密码和无密码公钥身份验证和 SendGrid 集成。 它基于库，支持可互换的存储后端并带有 PostgreSQL 实现。 密码使用 bcrypt 散列。 无需任何 Haskell 知识即可轻松部署到 Heroku。 客户端安装 如果你相信我 curl https://raw.githubusercontent.com/pkamena

基于用户的协同过滤算法音乐推荐系统

这是关于基于用户协同过滤usercf的python代码实现，初学涉及到这方面的朋友可以下载试试，数据时基于movielen上面的，可以自己去官网下载。

用web的形式实现了mahout中的三种基本算法，前参考博客：http://blog.csdn.net/zeqblog/article/details/16809223