目录前言总体设计系统整体结构图系统流程图运行环境模块实现1.模型训练1）数据集分析2）数据预处理相关其它博客工程源代码下载其它资料下载前言本项目专注于MovieLens数据集，并采用TensorFlow中的2D文本卷积网络模型。它结合了协同过滤算法来计算电影之间的余弦相似度，并通过用户的交互方式，以单击电影的方式，提供两种不同的电影推荐方式。首先，项目使用MovieLens数据集，这个数据集包含了大量用户对电影的评分和评论。这些数据用于训练协同过滤算法，以便推荐与用户喜好相似的电影。其次，项目使用TensorFlow中的2D文本卷积网络模型，这个模型可以处理电影的文本描述信息。模型通过学习电影

 这篇文章记录一下我之前做过的通过Spark与Hive实现的基于协调过滤的电影推荐。这篇文章只能提供算法、思路和过程记录，并没有完整的代码，仅尽量全面地记录过程细节方便参考。一、数据获取 数据集是从下面这个地址下载的，数据集主要内容是关于用户对电影的评分、评价等。免费数据集下载（很全面）_浅笑古今的博客-CSDN博客_数据集下载网站图1.1数据获取我选取的几个数据集表格如下：图1.2数据表格图1.3rating表图1.4movies表图1.5tags表图1.6genome-tags表图1.7genome-scores表‘ratings’表是关于用户对电影的评分24404096条‘movies’

ML之MF：基于MovieLens电影评分数据集利用基于矩阵分解算法(NMF)实现对用户进行Top5电影推荐案例目录基于MovieLens电影评分数据集利用基于矩阵分解算法(NMF)实现对用户进行Top5电影推荐案例#1、定义数据集#2、数据预处理#2.1、构建用户-电影评分矩阵#3、模型训练与推理#3.1、模型建立#3.2、模型训练#3.3、模型推理：基于评分表对用户进行推荐最高的5部电影#3.3.1、批量对用户预测#3.3.2、对指定用户预测，再该用户对未评分电影的评分的情况下相关文章ML之MF：基于MovieLens电影评分数据集利用基于矩阵分解算法(NMF)实现对用户进行Top5电影推