- 综合排序
- 最热优先
- 最新优先
- 来自专栏成套网站
基于python深度学习的经典名著推荐系统
传统推荐方式多依赖热门榜单、人工推荐或简单分类，难以深度挖掘用户个性化需求，导致推荐精准度低，用户难以快速找到契合自身阅读偏好的经典名著。 在此背景下，开发基于Python深度学习的经典名著推荐系统具有重要意义。 2、研究意义在信息爆炸的时代，经典名著资源海量且繁杂，用户难以快速筛选出符合自身兴趣和阅读水平的作品。 基于Python深度学习的经典名著推荐系统，能够深入分析用户的阅读历史、收藏偏好、阅读时长等行为数据，结合名著的文本特征，如主题、情感倾向、写作风格等，为用户精准推荐契合其个性化需求的经典名著。 然而，由于信息传播的局限性，许多经典名著可能被埋没在海量资源中，难以被广泛认知和阅读。该推荐系统可以打破这种局限，通过智能推荐算法，将不同类型的经典名著精准推送给潜在读者，尤其是年轻一代。
22410编辑于 2025-11-13 - 来自专栏SeanCheney的专栏
Python深度学习“四大名著”
竟然还有深度学习“四大名著”这种称谓（由新到旧排序）。。。 作者一共有7名，其中4个是法国人或法国裔。 ? Sep 20, 2017 作者 Sebastian Raschka、Vahid Mirjalili 下载地址：https://share.weiyun.com/5ImaG2L ?
1.4K40发布于 2018-12-26 - 来自专栏服务端技术杂谈
美团的“四大名著”
在美团因为有王兴和王慧文，所以王兴被称为“兴哥”，王慧文被称为“老王”，在美团内部有四本书，被称为“四大名著”，我从网上找了一段老王对于“四大名著”的解读，挺有意思。 ? 老王说他第一次推荐这四本书的时候是在招产品经理，然后有产品经理问他应该读什么书，他就推荐了这几本书。 因为招的是产品经理，当时很多人对于这个推荐就很疑惑。 有人说推荐的这几本书不就是职业的一些基本功吗？为什么给产品经理推荐这个？这个不是做什么工作都需要的东西吗？为什么不给产品经理推荐《人人都是产品经理》，《启示录》之类的书呢？ 后来老王发现他给高管们推荐完这几本书，一年之后发现他们没有读。老王认为大家可能还没有认识到这几本书的重要性。
3K20发布于 2020-08-04 - 来自专栏情情说
推荐2个工具
话题一转，说说今天的主角：2个工具，一个是抓包工具Charles，一个是API调试工具Postman。
3K80发布于 2018-05-11 - 来自专栏PowerBI战友联盟
Excel 透视表世界名著你知道吗
因此，强烈推荐本书，目前您可以在微软官方购买电子版也可以在亚马逊购买纸质版，还可以成为Excel120会员在PowerBI战友联盟中与战友切磋。
1.3K10发布于 2019-09-23 - 来自专栏AI研习社
干货 | 一篇文章教你用TensorFlow写名著
同样的，在 LSTM 中，batch_size 意味着每次向网络输入多少个样本，在上图中，当我们设置 batch_size=2 时，我们会将整个序列划分为 6 个 batch，每个 batch 中有两个数字 在上图中，当我们设置 N=2， M=3 时，我们可以得到每个 batch 的大小为 2 x 3 = 6 个字符，整个序列可以被分割成 12 / 6 = 2 个 batch。 2.LSTM 层 LSTM 层是整个神经网络的关键部分。 N x M 的 batch，我们从 LSTM 层得到的输出为N×M×L，要将这个输出与 softmax 全连接层建立连接，就需要对 LSTM 的输出进行重塑，变成( N * M ) × L 的一个 2D
89250发布于 2018-03-28 - 来自专栏有关SQL
推荐 2 个阅读神器
说下我推荐的 2个阅读神器。 为什么说是阅读，而不是看书呢。在我朋友圈的读者们，可能已经知道了。比起看书，我平常阅读更多的是，期刊论文或者博硕毕设。偶尔，要学点新技术，看书才会成为我的选择。 所以，我要推荐的，1个神器，是微信读书，用来看书；第2个神器，是知网和谷歌学术。 微信读书，是我的年度最佳 app ，绝对可以排前三。 下图层1，是谷歌学术搜索；图层2/3，是知网的。但，他俩代表的是两个世界 如果你有好的看书，阅读神器，也欢迎留意，与大家一起分享！ 不出意外，这是农历2022年前，最后一篇文章了。
98620编辑于 2022-03-31 - 来自专栏AIoT技术交流、分享
在线体验四大名著情景（地图、游戏）
目录 1、西游地图 2、红楼梦图 3、三国地图 4、水浒地图 ---- 作为一位爱好文学的程序猿，看到这个网址是激动的！ ? 网上有大牛开发的四大名著情景体验地图，既可以满足情怀也帮助读者理解原著宏大世界观和故事脉络。 1、西游地图 可以详细看到西游记的取经路线、九九八十一难的地点和大唐疆域图。 ? 2、红楼梦图 可以详细看到大观园全局图、太虚幻境图、贾府平面图和鸟瞰图。 ? 有趣的是该网址还制作了四大名著小游戏，真是绝了！ ? 四大名著网址参加：https://www.sdmz.net/
86830发布于 2021-01-20 - 来自专栏人工智能与演化计算成长与进阶
16推荐系统1-2基于内容的推荐系统
我最常听到的答案是推荐系统。现在，在硅谷有很多团体试图建立很好的推荐系统。因此，如果你考虑网站像亚马逊，或网飞公司或易趣，或 iTunes Genius，有很多的网站或系统试图推荐新产品给用户。 如，亚马逊推荐新书给你，网飞公司试图推荐新电影给你，等等。这些推荐系统，根据浏览你过去买过什么书，或过去评价过什么电影来判断。这些系统会带来很大一部分收入，比如为亚马逊和像网飞这样的公司。 推荐系统是个有趣的问题，在学术机器学习中因此，我们可以去参加一个学术机器学习会议，推荐系统问题实际上受到很少的关注，或者，至少在学术界它占了很小的份额。 (红色框中问号) 选定两个为电影的属性 n=2，一个是电影的爱情片程度 x1，一个是电影的动作片程度 x2，则可以用一个特征向量表示每一部电影(加上截距向量 x0=1),则第一部电影可表示为 ? 在一般的线性回归模型中，误差项和正则项应该都是乘以 1/2m，在这里我们将 m 去掉。并且我们不对方差项 (即截距项) 进行正则化处理。
92050发布于 2020-08-14 - 来自专栏AI科技评论
干货 | 一篇文章教你用TensorFlow写名著
同样的，在 LSTM 中，batch_size 意味着每次向网络输入多少个样本，在上图中，当我们设置 batch_size=2 时，我们会将整个序列划分为 6 个 batch，每个 batch 中有两个数字 在上图中，当我们设置 N=2， M=3 时，我们可以得到每个 batch 的大小为 2 x 3 = 6 个字符，整个序列可以被分割成 12 / 6 = 2 个 batch。 2.LSTM 层 LSTM 层是整个神经网络的关键部分。 N x M 的 batch，我们从 LSTM 层得到的输出为N×M×L，要将这个输出与 softmax 全连接层建立连接，就需要对 LSTM 的输出进行重塑，变成( N * M ) × L 的一个 2D
1.4K80发布于 2018-03-13 - 来自专栏机器之心
推荐系统之路 (2)：产品聚类
上一篇文章中，我们介绍了「推荐系统之路」，有些小可爱在留言里表示期待下一篇。最近，这位作者大大更新了。 虽然还是关于推荐系统，但这次讲的是产品聚类以及相关方法，具体见下文↓↓ 在上一篇文章中，我大致介绍了推荐系统，但卡在了矩阵系统的性能这一块。 为此，我们使用 2 个不同的向量器：CountVectorizer 和* *tf-idf Vectorizer。前者用 {0,1} 创建二元向量，后者根据单词在所有向量中的频率为每个单词分配一个权重。 为了找出 2 个向量之间的相似性，我们用欧几里得距离来进行衡量。如果 2 个产品被归为 1 类，且距离要高于我们的阈值，我们就称生成的组为 category。 ? 想象一下，我们的数据就像一大桶产品。 https://medium.com/moosend-engineering-data-science/product-clustering-a-text-clustering-approach-c392c2ef4310
99440发布于 2019-05-15 - 来自专栏PaddlePaddle
GITCHAT系列2：个性化推荐
从用户的角度讲，人们往往喜欢花2个小时看一部电影，却不愿意花20分钟去挑选一部电影；从企业的角度看，Data Science Central编辑总监Bill Vorhies曾撰文[1]表示，“据估计，对亚马逊和 在互联网领域，长尾效应尤为显著[2]。 如下图所示，图中横轴表示数据类型，纵轴表示频率，大部分数据的频率都很低，但都是大于零的（图中右侧黄色部分），这就是长尾。 similarity = cos_sim(a=movie_feature, b=user_feature, scale=2) # 训练时，采用regression_cost作为损失函数计算回归误差代价 由于Bot是面向API的，我们可以开发某个Workflow（比如IFTTT）完成一系列的任务，有人为其创造了一个新名词，叫“r2r - robots 2 robots”。 2. 接入PaddlePaddle预测文件 变量MODEL_PATH是模型评估.
1.5K90发布于 2018-03-15 - 来自专栏小道
机器学习学习笔记(2) -- 推荐算法
1、推荐系统涉及的知识 电子商务业务知识、网站架构运营、机器学习算法、数学建模、大数据平台… 2、推荐系统涉及的常见算法 聚类、关联模式挖掘、大规模矩阵运算、文本挖掘、复杂网络和图论计算等… 3 、推荐系统分类 Ⅰ、基于应用领域分类 电子商务推荐系统、社交好友推荐系统、搜索引擎推荐系统、信息内容推荐系统...... Ⅱ、基于设计思想分类 基于协同过滤的推荐系统、基于内容的推荐系统、基于知识的推荐系统 、混合推荐系统...... Ⅲ、基于使用何种数据分类 基于用户行为的推荐系统、基于用户标签的推荐系统、基于社交网络数据的推荐系统、基于上下文信息的推荐系统...... 4、实现协同过滤的步骤 ①收集用户偏好数据 ，基于邻域的推荐算法又分为基于物品推荐算法和基于用户推荐算法。 实现基于邻域的算法思路举例： 推荐数据准备：用户id、物品id、偏好值 --- 把数据看成空间中的向量 (1)建立物品的同现矩阵 (2)建立用户对物品的评分矩阵 (3)矩阵计算推荐结果 ---
93130发布于 2021-04-13 - 来自专栏DeepHub IMBA
2022 年 2 月 arXiv 论文推荐
最近在强化学习和语言模型的交叉点上可能有趣的另一篇论文是Language Models as Zero-Shot Planners: Extracting Actionable Knowledge for Embodied Agents. 2、
77540编辑于 2022-03-12 - 来自专栏哲学驱动设计
《Framework Design Guidelines 2nd Edition》推荐
前言 最近看了《FDG 2nd Edition》，也适当做了些笔记，在这里写这篇文章的目的主要有两个，一是对自己学习的一个记录、积累；另外，还可以用这篇总结向一些有需要的朋友推荐这本书。 2. 工厂模式牺牲了可发现性、可用性及一致性来实现了灵活性，所以在使用时需要注意不被滥用。 后话 我之前一直没有看这本书，全靠自己不断地编写代码，不断地靠主观来分辨某个设计是不是好的。 这里，我推荐以下任何一种类型的读者阅读这本书： 专注于.NET平台的任何开发人员。 理解了一般设计思想，但是想在.NET平台上深化设计的软件设计师。 JAVA及.NET平台的框架设计人员。 为了提高自己的表达能力和口才，看了一本老婆推荐的书：《思维导图：提高语言智能的十种方法》。最终发现其实这本书对于社交和口才并没有什么关系。
1.1K101发布于 2018-01-29 - 来自专栏Python 自动化
推荐 2 款必备的 Django 开发神器
使用 Django 进行 Web 开发的时候，为了提高开发效率，少不了安装一些第三方应用 App 本篇文章将推荐 2 款非常好用的应用 App django_extensionsdebug_toolbar 'django_extensions'， ... ） 接下来就可以使用它进行项目调试了 常见的功能如下： 2-1 增强版 Shell 我们都知道，原始项目都是使用「 . /manage.py shell_plus 」命令就可以进入到增强版的 Shell，自动导入项目下所有模型，非常方便我们调试 2-2 检查模板错误 使用「 . /manage.py validate_templates 0 errors found 2-3 查看路由列表 使用「 . 最后 文中推荐了两款非常实用的 Django 开发辅助应用，它可以帮助我们对项目进行调试，快速定位问题 如果你觉得文章还不错，请大家 点赞、分享、留言 下，因为这将是我持续输出更多优质文章的最强动力！
85521发布于 2021-03-25 - 来自专栏磐创AI技术团队的专栏
使用wrd2vec构建推荐系统
译者 | Arno 来源 | Analytics Vidhya 【磐创AI导读】：这篇文章主要介绍了如何使用word2vec构建推荐系统。 概览 如今，推荐引擎无处不在，人们希望数据科学家知道如何构建一个推荐引擎 Word2vec是一个非常流行的词嵌入，用于执行各种NLP任务 我们将使用word2vec来构建我们自己的推荐系统。 我们将使用一个NLP概念--Word2vec,向用户推荐商品。如果你觉得这个教程让你有点小期待，那就让我们开始吧！ 在文中，我会提及一些概念。 案例研究:使用Python中的word2vec进行在线商品推荐 现在让我们再一次确定我们的问题和需求： 我们被要求创建一个系统，根据消费者过去的购买行为，自动向电子商务网站的消费者推荐一定数量的商品。 开始推荐商品 恭喜你!我们终于准备好我们的在线零售数据集中每个商品的word2vec embeddings 。现在，我们的下一步是为某个商品或某个商品的向量推荐类似的商品。
1.9K20发布于 2019-08-13 - 来自专栏JavaEdge
窥探推荐系统1 信息发现2 推荐系统3 分类4 深入推荐机制5 应用6 总结
本文将深入介绍推荐系统的工作原理，和其中涉及的各种推荐机制，以及它们各自的优缺点和适用场景，帮助用户清楚的了解和快速构建适合自己的推荐系统。 2 推荐系统 推荐系统利用特殊的信息过滤技术，将不同的物品或内容推荐给可能对它们感兴趣的用户。 ? 这是一个最基本的推荐系统分类，其实大部分人们讨论的推荐系统都是关于个性化的推荐系统，因为从根本上说，只有个性化的推荐系统才是更加智能的信息发现过程。 其实在现在的推荐系统中，很少有只使用了一个推荐策略的推荐系统，一般都是在不同的场景下使用不同的推荐策略从而达到最好的推荐效果 例如 Amazon 的推荐，它将基于用户本身历史购买数据的推荐，和基于用户当前浏览的物品的推荐 4.2 基于内容的推荐 基于内容的推荐是在推荐系统出现之初应用最为广泛的推荐机制，它的核心思想是根据推荐物品或内容的元数据，发现物品或者内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品 ?
74330发布于 2018-12-28 - 来自专栏程序猿DD
豆瓣9分以上，这7本Java经典名著，你还缺哪本？
下面为你推荐几本系统学习Java语言你必须要读的书！它们经过无数人口口相传，成为了Java领域顶流的经典名著！ ——Java之父James Gosling Java 之父James Gosling鼎力推荐的书，你就知道要不要读了？
1.5K20编辑于 2022-03-15 - 来自专栏小小挖掘机
推荐系统提供web服务的2种方式
下面图2就是一种可行的完整推荐系统服务方案。 读者可以查看参考资料1、2、3对TensorFlow Serving进行更深入的了解。 FAISS提供了向量之间计算L2（欧几里德）距离或点积距离的方法，与查询向量最相似的向量是那些与查询向量具有最小L2距离或最大点积的向量。 推荐web服务类型 优点 缺点 事先计算型 1. 接口响应更快2. 整个系统有更好的鲁棒性，推荐计算出问题不影响接口返回结果3. 架构更加简单，耦合度低，可以对接口和推荐计算分别优化升级 1. 浪费计算存储资源2. 对推荐结果调整的灵活度低 实时装配型 1. 更省存储计算资源2. 系统更灵活，可以方便临时调整推荐逻辑 1. 接口有更多的处理逻辑，响应相对较慢2.
1.2K20发布于 2020-02-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号