基于机器学习的推荐系统
基于机器学习的社交推荐系统设计与实现
基于机器学习的社交推荐系统设计与实现社交推荐系统是一种利用机器学习算法为用户推荐个性化内容的系统。
这些内容可以包括用户感兴趣的文章、视频、音乐等，以及用户可能感兴趣的好友、社群等。
社交推荐系统的目标是提供更好的用户体验，增加用户参与度和黏性，同时为平台提供精准的广告投放和个性化营销。
在设计和实现基于机器学习的社交推荐系统时，首先需要收集和整理用户的历史数据。
这些数据包括用户的个人信息、浏览记录、点赞和评论记录等。
通过对这些数据的分析，可以了解用户的兴趣爱好、喜好倾向和社交关系等。
接下来，可以使用机器学习算法来构建推荐模型。
有很多不同的机器学习算法可以用于社交推荐系统，例如协同过滤、内容过滤、深度学习等。
协同过滤算法通过分析用户的历史行为和兴趣，来找到与用户兴趣相似的其他用户或内容。
内容过滤算法则根据用户的历史行为和喜好，将相似的内容推荐给用户。
深度学习算法可以通过神经网络模型来进行用户兴趣和内容的表示和推荐。
在推荐模型的训练过程中，可以使用一些评价指标来评估模型的性能。
常用的评价指标包括准确率、召回率、F1值等。
这些指标可以帮助我们评估推荐模型的有效性和用户满意度。
另外，为了提高社交推荐系统的效果，还可以考虑引入一些其他的因素，例如时序特征、用户画像、社交关系等。
时序特征可以用来捕捉用户的兴趣演化过程，以及不同时间点的热门内容。
用户画像可以根据用户的个人信息和历史行为来建立，可以更好地理解用户的兴趣和需求。
社交关系可以借助社交网络分析的方法，来挖掘用户之间的相似度和影响力。
在实现社交推荐系统时，还需要考虑一些实际问题。
首先是数据的存储和处理问题。
社交推荐系统需要处理大量的用户数据和内容数据，因此需要考虑使用分布式存储和处理技术，例如Hadoop、Spark等。
其次是系统的性能和可扩展性问题。
社交推荐系统需要能够实时处理用户的请求并给出推荐结果，因此需要考虑系统的并发能力和扩展性。
最后是系统的安全和隐私问题。
基于机器学习的智能推荐系统设计与实现毕业设计1
基于机器学习的智能推荐系统设计与实现毕业设计1智能推荐系统是一种通过对用户历史行为数据进行分析，利用机器学习算法来为用户提供个性化推荐的技术。
本文将详细介绍基于机器学习的智能推荐系统的设计与实现，包括数据处理、算法选择、模型构建和系统部署等方面。
一、引言智能推荐系统已经成为互联网时代的重要应用之一。
在信息爆炸的时代背景下，用户需要从海量的信息中快速找到感兴趣的内容。
而智能推荐系统正是为了解决这个问题而诞生的。
通过对用户兴趣、偏好以及行为的分析，智能推荐系统可以为用户推荐出最有价值的内容，提高用户体验和互联网服务的精准度。
二、数据处理在设计和实现智能推荐系统之前，首先需要进行数据处理。
数据处理是智能推荐系统的基础，决定了系统对用户兴趣和行为的准确理解程度。
常见的数据处理方法包括数据清洗、特征提取和数据集划分。
1. 数据清洗：对采集到的用户数据进行去重、过滤、填充缺失值等处理，以确保数据的质量和准确性。
2. 特征提取：从原始的用户行为数据中提取有意义的特征，如用户的浏览记录、点击次数、购买历史等。
这些特征将作为机器学习算法的输入。
3. 数据集划分：将处理好的数据集划分为训练集和测试集，用于算法的训练和验证。
三、算法选择在智能推荐系统中，机器学习算法起到了决定性的作用。
合理选择和应用适合的算法可以实现对用户兴趣的准确预测和个性化推荐。
常用的推荐算法包括协同过滤、内容过滤和深度学习等。
1. 协同过滤：基于用户行为和偏好的相似性来进行推荐。
常见的协同过滤算法包括基于用户的协同过滤和基于物品的协同过滤。
2. 内容过滤：将用户行为和物品的内容特征结合起来进行推荐。
通过分析物品的属性和用户的兴趣，预测用户对其他物品的喜好程度。
3. 深度学习：利用多层神经网络模型来进行特征的学习和表达。
通过对大量数据的学习，提取出更加丰富和高级的特征，提高推荐准确率。
四、模型构建基于选定的算法，需要构建相应的模型来实现智能推荐系统。
计算机毕设选题
计算机毕设选题计算机毕业设计的选题是一个关键的环节，它决定了你今后的研究方向和职业发展。
一个好的选题不仅需要与自己的兴趣相符合，还需要有一定的创新性和实用价值。
下面将介绍一些常见的计算机毕业设计选题，供大家参考。
1. 基于深度学习的图像识别系统深度学习技术在计算机视觉领域有着广泛的应用。
你可以选择一个特定的图像识别任务，并使用深度学习算法来实现。
比如，你可以设计一个基于卷积神经网络的车牌识别系统，或者设计一个基于循环神经网络的手写字符识别系统。
2. 基于大数据分析的网络安全系统随着网络的快速发展，网络安全问题变得越来越重要。
你可以设计一个基于大数据分析的网络安全系统，通过分析网络数据流量和用户行为来检测和预防网络攻击。
你可以使用机器学习算法来处理大量的网络数据，并开发出高效的安全策略。
3. 基于区块链的智能合约系统区块链技术在近年来得到了广泛的关注。
你可以设计一个基于区块链的智能合约系统，用于实现安全、透明的交易。
你需要深入了解区块链的原理和智能合约的编写方法，并实现一个功能完备的智能合约系统。
4. 基于机器学习的推荐系统推荐系统是电子商务和社交媒体平台的重要组成部分。
你可以设计一个基于机器学习的推荐系统，通过分析用户的兴趣和行为来向用户推荐个性化的内容。
你需要从大量的用户数据中学习用户的偏好，并使用机器学习算法来提高推荐效果。
5. 基于虚拟现实的交互界面设计虚拟现实技术近年来得到了快速的发展，它在游戏、教育和医疗等领域有着广泛的应用。
你可以设计一个基于虚拟现实的交互界面，用于改善用户体验和提高交互性能。
你需要掌握虚拟现实技术和交互设计原理，并实现一个功能完备的虚拟现实系统。
以上只是一些常见的计算机毕业设计选题，你可以根据自己的兴趣和能力进行选择。
在选题过程中，你可以参考相关的学术论文、专业书籍和开源项目，以了解当前的研究热点和技术趋势。
同时，你还可以与导师和同学进行交流，寻求他们的意见和建议。
智能推荐系统
智能推荐系统智能推荐系统（Intelligent Recommendation System）是一种利用机器学习和算法分析用户的兴趣和行为，自动为用户提供个性化推荐的系统。
随着互联网的普及和信息爆炸式增长，用户在面对各种产品、服务和内容时往往感到困惑和疲惫。
智能推荐系统的出现正是为了解决这个问题，帮助用户过滤和筛选出符合其个人兴趣和需求的信息，提供更加精准和高效的用户体验。
一、智能推荐系统的原理智能推荐系统通过收集用户的个人信息、行为数据和偏好，利用各种算法和模型分析和预测用户可能的兴趣和需求。
整个推荐过程可以简化为以下几个步骤：1. 数据收集：智能推荐系统需要收集大量的用户数据，包括用户的基本信息、浏览历史、购买记录等。
这些数据可以通过用户注册、问卷调查、浏览器插件等方式获取。
2. 数据预处理：在收集到的大量数据中，需要进行数据清洗和处理，剔除异常或错误的数据，统一数据格式，降低数据的噪音。
3. 特征提取：在数据预处理之后，需要从收集到的数据中提取关键的特征信息，这些特征可能包括用户的性别、年龄、地理位置等，以及用户的浏览偏好、购买行为等。
4. 特征表示：将提取到的特征信息转化为机器学习模型可以处理的向量形式，通常采用独热编码、词袋模型等方式进行表示。
5. 模型训练：使用机器学习算法对用户的特征信息进行建模和训练，创建一个个性化的推荐模型。
常用的算法包括协同过滤、内容过滤、深度学习等。
6. 推荐生成：通过用户的特征向量和训练好的模型对用户的兴趣进行预测和推荐生成，为用户提供个性化的推荐结果。
二、智能推荐系统的应用领域智能推荐系统在各个领域都有广泛的应用，如电子商务、社交媒体、音乐电影、新闻阅读等。
下面分别介绍几个典型的应用场景：1. 电子商务：智能推荐系统可以根据用户的购买历史和浏览记录，为用户推荐符合其兴趣和需求的商品和服务。
这样不仅可以提升用户的购买体验，还可以增加销售额和用户忠诚度。
2. 社交媒体：社交媒体平台可以利用智能推荐系统为用户推荐感兴趣的好友、关注的人和相关的内容。
基于机器学习的智能推荐系统
基于机器学习的智能推荐系统随着互联网的不断发展，我们已经进入了信息过载的时代。
每天，人们都会面对大量的信息和选择，如何快速准确地找到自己需要的信息变得尤为重要。
而在这个问题上，智能推荐系统扮演着非常重要的角色。
基于机器学习的智能推荐系统以其高度个性化、高效率的特点，在各个领域得到了广泛应用。
首先，我们来了解一下什么是智能推荐系统。
智能推荐系统是通过分析用户的兴趣、行为等数据，运用机器学习算法，为用户提供个性化、推荐内容的一种系统。
用户不再需要花费大量的时间去搜索信息，而是通过系统自动推荐的方式获取信息。
这种推荐方式不仅能够大大提高用户的满意度，还可以帮助用户探索更多新的内容。
在智能推荐系统的背后，机器学习起到了至关重要的作用。
机器学习是一种通过训练数据来推断模型的方法，通过分析大量的数据，系统可以自动识别用户的兴趣、行为模式，并根据这些模式为用户推荐相关内容。
而随着机器学习算法的不断发展和优化，智能推荐系统的推荐准确度也逐渐提高。
智能推荐系统的应用范围非常广泛，几乎涵盖了所有的互联网领域。
以电商领域为例，智能推荐系统可以根据用户的购买历史、浏览记录等信息，为用户推荐个性化的商品，提高用户购买的满意度和转化率。
在社交媒体领域，智能推荐系统可以根据用户的社交关系、兴趣爱好等信息，为用户推荐相关的朋友和内容，提高用户的社交体验。
在新闻媒体领域，智能推荐系统可以根据用户的阅读历史、评论行为等信息，为用户推荐具有个性化兴趣的新闻，提高用户的阅读体验。
当然，智能推荐系统也存在一些挑战和问题。
首先是数据隐私和安全问题。
为了实现个性化推荐，系统需要收集用户的各种数据，而这些数据的安全性和隐私性显得尤为重要。
同时，由于每个用户的兴趣和行为都是不断变化的，智能推荐系统也需要不断地更新和优化模型，以适应用户的变化。
此外，由于推荐系统往往是建立在大规模数据上的，因此需要大量的计算资源和存储空间来支持推荐算法的计算和存储。
基于XXXX的XXXX设计与开发
基于XXXX的XXXX设计与开发基于机器学习的推荐系统设计与开发一、介绍随着互联网的发展，人们需要从大量的信息中寻找符合自己需求的内容，而推荐系统则为此提供了一种高效的解决方案。
推荐系统能够根据用户所喜好的历史数据，建立个性化模型，提供符合用户兴趣的信息。
本文将介绍一种基于机器学习的推荐系统设计与开发。
二、推荐系统的设计与开发1. 数据收集和处理在设计推荐系统前需要进行大量的数据采集和处理。
数据的来源可以是用户行为数据、社交网络数据、问卷调查数据等等。
对于采集得到的数据，需要进行清洗、去重、归一化等处理，使得数据的质量达到一定标准，并且保证数据的准确性和完整性，以便后续建模和分析。
2. 算法选择推荐系统分为基于协同过滤的推荐和基于内容过滤的推荐。
基于协同过滤的推荐算法是通过分析用户的历史行为数据，来发现用户之间的相似性（如喜好、兴趣等）。
然后通过向用户推荐与他们相似的其他用户相关的物品来实现推荐。
基于协同过滤的推荐算法包括基于用户的协同过滤和基于物品的协同过滤。
基于内容过滤的推荐算法是通过分析物品的特征（如标签、属性等）以及用户的历史行为，推荐与用户曾经产生过兴趣匹配的相关物品。
基于内容过滤推荐算法主要有基于文本内容过滤和基于图像/视频内容过滤等。
3. 特征提取和建模在选择了合适的算法后，需要进行特征提取和建模。
特征提取是指从数据中提取用户和物品的相关特征，如历史行为和标签等，以及用户和物品的属性比如粉丝数、类别等。
通过不断优化选择合适的特征，可以提高模型的预测准确性。
建模则是根据收集到的数据，运用机器学习算法构建一个模型。
模型的好坏对于推荐系统的精度和实时性有着决定性的影响。
4. 模型评估推荐系统的精度是用户使用体验的重要指标之一。
模型评估一般有三种方式：离线评估、在线实验和A/B测试。
离线评估是通过历史数据评估模型的预测准确度，它不需要与实际用户进行交互，也不需要建立大规模的实验环境。
在线实验是基于模型预测结果，对不同的用户分组采用不同的推荐策略，来测试每个策略的效果。
基于机器学习的智能商品推荐系统设计
基于机器学习的智能商品推荐系统设计智能商品推荐系统是随着电子商务的快速发展而兴起的一项科技创新。
通过利用机器学习算法，该系统能够根据用户的个人偏好和行为数据，实时地向用户推荐感兴趣的商品，提高用户的购物体验和满意度。
本文将详细介绍基于机器学习的智能商品推荐系统的设计原理和关键技术。
首先，智能商品推荐系统的设计需要考虑用户的个人偏好。
为了获取用户的个人偏好信息，系统可以引导用户进行商品评级、收藏和购买等行为，并将这些行为数据作为输入。
通过分析这些行为数据，系统可以学习到用户的偏好模型，从而根据用户的历史行为预测其未来的购买意向。
其次，智能商品推荐系统的设计还需要考虑商品之间的关联性。
为了提高推荐的准确度和多样性，系统可以利用机器学习算法挖掘商品之间的关联规律。
例如，可以基于商品的销售数据和用户行为数据构建商品关联网络，通过分析网络结构和节点之间的相似度，找到用户喜欢的商品的相关推荐项。
另外，为了解决冷启动问题，智能商品推荐系统的设计还需要考虑新用户和新商品的推荐。
对于新用户，系统可以根据用户的注册信息和基本偏好进行初始推荐，随着用户的行为数据的积累，不断调整个性化推荐。
对于新商品，系统可以利用机器学习算法对商品进行特征提取和相似性分析，从而将新商品与已有的商品进行关联推荐。
在实际的系统实现中，智能商品推荐系统还需要解决海量数据和实时响应的问题。
大规模的用户和商品数据需要高效存储和处理，系统可以利用分布式存储和计算平台如Hadoop和Spark来进行数据处理。
同时，为了实时响应用户的推荐请求，系统需要进行实时计算和缓存，利用流式计算和内存数据库等技术可以大幅提高系统的性能和响应速度。
此外，智能商品推荐系统的设计还需要考虑数据隐私和安全性。
用户的个人偏好和行为数据是敏感的个人信息，系统需要采取隐私保护和数据安全措施，如数据加密和权限控制，确保用户信息的安全性和隐私性。
综上所述，基于机器学习的智能商品推荐系统设计涉及到用户的个人偏好模型、商品的关联性分析、冷启动问题的解决、海量数据和实时响应的处理以及数据隐私和安全性等方面。
基于机器学习的新闻推荐系统分析与设计
基于机器学习的新闻推荐系统分析与设计新闻推荐系统是一种利用机器学习算法，根据用户的兴趣和偏好来推荐相关新闻内容的系统。
本文将对基于机器学习的新闻推荐系统进行分析与设计。
一、系统分析1. 用户需求分析首先，我们要了解用户的需求和行为习惯。
通过用户的点击、浏览历史以及搜索行为等数据，可以了解用户的兴趣偏好、领域偏好和阅读习惯。
同时，可以采用用户调查问卷的方式，直接询问用户对新闻内容的偏好和需求。
2. 数据分析新闻推荐系统需要挖掘大量的新闻数据，并从中提取特征用于推荐。
数据分析阶段包括数据的收集、清洗和预处理。
收集新闻数据可以通过爬虫技术从新闻网站获取，也可以通过合作伙伴获取第三方数据。
数据清洗阶段需要去除重复数据、处理缺失值和异常值等。
数据预处理阶段包括文本分词、特征提取和降维等处理。
3. 算法选择与设计基于机器学习的新闻推荐系统可以采用多种算法进行设计，如协同过滤算法、基于内容的推荐算法和深度学习算法等。
协同过滤算法利用用户行为数据进行推荐，可以分为基于用户的协同过滤和基于物品的协同过滤。
基于内容的推荐算法通过提取新闻内容的关键词、主题等特征，与用户的兴趣进行匹配推荐。
深度学习算法可以通过建立深度神经网络模型进行推荐任务。
4. 评估与改进在系统设计完毕后，需要对推荐效果进行评估。
可以使用离线评估和在线评估方法。
离线评估方法通过历史数据进行评估，可以使用准确率、覆盖率、多样性等指标来评估推荐效果。
在线评估方法通常通过AB测试等实验进行评估，并根据结果进行改进。
二、系统设计1. 数据库设计新闻推荐系统的数据库设计应包含用户数据、新闻数据以及用户行为数据。
用户数据包括用户的基本信息和用户的兴趣标签等。
新闻数据包含新闻的标题、内容、发布时间等信息。
用户行为数据包含用户的点击、浏览、收藏等行为记录。
2. 模块划分与设计根据系统功能需求，将系统划分为新闻推荐模块、用户兴趣模型、用户行为模型和用户接口模块等。
新闻推荐模块负责根据用户的兴趣和需求进行新闻推荐。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于机器学习的推荐系统
作者：周齐
来源：《电子技术与软件工程》2016年第24期
在这个数据信息无处不在的时代，如何对这些数据进行获取并进行相应的分析成了众多人的研究的课题。
本文针对这一现状，对机器学习相关的推荐系统做了一些简单的概述。
通过对机器学习在推荐系统上用的一些技术和思想进行解析，让更多的人了解什么是大数据，什么是机器学习。
最为重要的一点是让大家了解机器学习对我们的日常所产生的深远影响。
【关键词】机器学习推荐系统大数据数据挖掘
1 引言
相比过去，数据存储不再是难题，但随着海量数据的产生，产生了大量数据的资源无法得到合理的利用。
随着科技的发展，人们逐渐把目光转向了数据挖掘这个领域。
各种数据挖掘技术被利用到现实生活中。
机器学习技术在其中起了很大的作用，其中比较广为所知的就是AlphaGo与李世石的“世纪之战”，被誉为人机大战，最终以AlphaGo胜利告终，再一次向人们展示了机器学习的强大。
在很多人眼里机器学习是个非常抽象的概念，本文将对其在推荐系统领域做一定的解析。
2 机器学习的过程
何为机器学习？通俗来说机器学习就是让机器跟人一样学习并总结“经验”。
当然机器不能跟人一样去经历各种事情积累“经验”。
而是通过已有的数据让机器去分析，总结其中的规律，并总结形成一套模型，应用到实际生活中去。
2.1 获取数据
机器学习的第一步就是获取数据，没有数据的机器学习都是空谈。
数据的获取相对于后面的步骤较为容易，因为数据无处不在。
超市里有消费者的购买记录，行车记录仪上有车辆的行驶记录，电影院有影迷的观看记录等，这些数据信息是我们开始机器学习的前提。
2.2 清洗数据
我们获取的数据是无规则的，其中有很多对我们没有利用价值的冗余数据，还有可能会有影响到我们分析结果的错误信息。
我们在进行具体的分析之前需要对这些信息进行预处理，以免会影响到分析结果的准确率。
数据的预处理主要分为三个方面：距离度量、抽样、降维。
在协同过滤推荐系统中使用的KNN分类（k-NearestNeighbor）主要取决于距离度量方法。
比较常用的距离度量方法有欧几里得距离、皮尔逊相关系数、Jaccard系数（针对二进制属性）等。
抽样是数据挖掘从大数据集中选择相关数据子集的主要技术，其在最终的解释步骤也起了很重要的作用，最常采用的抽样方法是无取代抽样，当物品被选择时，物品被从整体中取走，但执行取代抽样也是允许的，也就是说物品即使被选择也无需从整体中去除。
通常训练集和测试集比例为80/20。
最后降维是为了去除一些非常稀疏且对结果集影响不大的点，降低维度，避免维度灾难，降低运算难度。
2.3 分析数据与建立模型
在整个机器学习的过程中，难度最大最为核心的就是分析数据。
分析数据的方法有很多种，每一种在不同的实际应用有其不同的作用，要具体情况具体分析。
这里将介绍几种在推荐系统中较为常用的数据分析方法：
最近邻算法（KNN）：KNN通过存储训练记录并使用它们来预测未知样本的标签类别。
这种分类器会存储所有的训练集，只有当新纪录与训练集完全匹配时才进行分类。
相对于其它机器学习算法，KNN是最简单的，因为KNN无需建立一个显示的模型，被称为是一个懒学习者。
尽管KNN方法简单直观，但它的结果准确，非常易于提升。
k-means算法：k-means算法是一个分块聚类算法，把获取的n个对象数据分割成k个不相关子集（k < n）。
它与处理混合正态分布的最大期望算法很相似，因为它们都是试图找到数据中自然聚类的中心。
它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。
k-means算法一开始会随机选择k个中心点，所有物品都会被分配到它们最靠近的中心节点的类中。
当物品新添加或者移除时，新聚类的中心节点需要更新，聚类的成员关系也需要更新，这样不断迭代，直到没有物品改变它们的聚类成员关系。
最终的聚类对初始的中心点异常敏感，还可能存在空聚类。
人工神经网络（ANN）：人工神经网络算法模拟生物网络，由一组内连接点和带权链组成，是一类模式匹配算法。
通常用于解决分类和回归问题。
ANN是机器学习的一个庞大的分支，有数百种不同的算法，深度学习就是其重要的组成部分之一。
ANN最主要的优点就是能处理非线性的分类任务，通过并行处理，使得其能够在部分网络受损的情况下操作。
但ANN 很难对给定的问题提供理想的网络拓扑。
当拓扑确定后，其表现水平就会位于分类错误率的下线。
贝叶斯分类器：贝叶斯分类器是基于概率定义和贝叶斯定理的一类算法，贝叶斯统计学派使用概率来代表从数据中学习到的关系的不确定性。
其把每一个属性和类标签当作随机变量。
给定一个带有N个属性的记录（A1，A2，A3，...，AN），目标是预测类Ck，方法是在给定数据P（Ck|A1，A2，...，AN）下，找到能够最大化该类后验概率的Ck的值。
常见贝叶斯分类器算法有朴素贝叶斯算法、平均单依赖估计（AODE）以及贝叶斯网络（BBN）等。
2.4 测试模型
整个机器学习的最后一步就是测试模型，检测模型的准确率。
这是衡量一个算法的优劣的重要步骤。
测试的数据集可以从测试中随机选取或者从提前预留的测试集中获取。
3 机器学习在推荐系统领域存在的挑战
机器学习在推荐系统中同样有很广泛的应用，其中较为广泛的是采用三种方式：基于商品的推荐算法、基于用户的推荐算法以及混合推荐算法。
在很多大型互联网网站比如Amazon、淘宝、京东等，都投入了很大的精力在推荐系统这一领域上，希望用户能够更加快速的找到自己想要的商品。
尽管机器学习在推荐系统领域的发展潜力很大，但也不得不面临一些问题。
其中一个很棘手的问题就是随着时间的推移，用户的兴趣爱好也可能跟着变化，而我们获取的仅仅是用户过去的购买记录。
当用户有了新的兴趣后，短时间很难去捕获到。
这只是其中一个方面，对机器学习算法的研究还有很长的路要走，但我相信，随着科技的进步，这些都不是问题。
参考文献
[1]王志梅，杨帆.基于Hebbian一致性学习的P2P推荐算法[J].计算机研究与应用，2006，42（36）：110-113.
[2]吴颜，沈洁，顾天竺等.协同过滤推荐系统中数据稀疏问题的解决[J].计算机应用研究，2007，24（06）：94-97.
[3]Peter Harrington. Machine Learning in Action[M].北京：人民邮电出版社，2015.
[4]陈刚，刘发升.基于BP神经网络的数据挖掘方法[J].计算机与现代化，2006（10）.
[5]王卫平，刘颖.基于客户行为序列的推荐算法[J].计算机系统应用，2007，17（05）：35-38.
作者简介
周齐（1993-），男，安徽省安庆市人。
研究生在读，软件工程专业。
主要从事大数据挖掘领域的研究。
单位介绍
杭州师范大学浙江省杭州市 311121。