基于HMM（隐马尔可夫模型）的推荐算法，python纯手写实现，未使用库函数，易于理解，含有大量注释

本人之前跟随导师做科研时，结合大量论文自行实现的一个HMM推荐算法（因为github、gitee、paperwithcodes等，均找不到关于HMM推荐的开源算法）

之前为了优化改进，没有调用库函数，纯手写实现HMM初始化、训练、预测、评估等模块，代码间含有大量注释，代码总行数大概有800行

经多次实验，算法的准确率、召回率、F1指数比普通的协同过滤（基于用户UCF、基于项目ICF、SVD）算法高出数倍

压缩包中含有常见问题说明，及HMM推荐算法相关论文数篇

另外代码中有附赠对比实验的代码实现，包括——UCF_余弦相似度、UCF_皮尔逊相似度、ICF_余弦相似度、ICF_皮尔逊相似度、SVD_三种相似度实现等

该算法使用了MovieLens-100K数据集（可自行更换，代码中含有数据集预处理的模块，容易上手），将其按比例分成了训练集和测试集

在算法的评估中，采用了准确率、召回率、F1指数等

算法中经过处理，可以直接计算数据集中所有用户平均准确度、平均召回率平均F1，也可以计算特定用户的准确率、召回率、F1

ID:8639

详询客服 微信shujuqudong1 或shujuqudong6 或 qq68823886 或 27699885

图文详情请查看： http://matup.cn/862888288891.html