有哪些学习算法的网站推荐

有哪些学习算法的网站推荐

基础：
codevs.cn
tyvj.cn
进阶：
poj.org
www.lydsy.com/JudgeOnline

推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。 基于内容的推荐算法，原理是用户喜欢和自己关注过的item在内容上类似的item，比如你看了哈利波特i，基于内容的推荐算法发现哈利波特ii-vi，与你以前观看的在内容上面（共有很多关键词）有很大关联性，就把后者推荐给你，这种方法可以避免item的冷启动问题（冷启动：如果一个item从没有被关注过，其他推荐算法则很少会去推荐，但是基于内容的推荐算法可以分析item之间的关系，实现推荐），弊端在于推荐的item可能会重复，典型的就是新闻推荐，如果你看了一则关于mh370的新闻，很可能推荐的新闻和你浏览过的，内容一致；另外一个弊端则是对于一些多媒体的推荐（比如音乐、电影、图片等)由于很难提内容特征，则很难进行推荐，一种解决方式则是人工给这些item打标签。 协同过滤算法，原理是用户喜欢那些具有相似兴趣的用户喜欢过的商品，比如你的朋友喜欢电影哈利波特i，那么就会推荐给你，这是最简单的基于用户的协同过滤算法（user-based collaborative filtering），还有一种是基于item的协同过滤算法（item-based collaborative filtering），这两种方法都是将用户的所有数据读入到内存中进行运算的，因此成为memory-based collaborative filtering，另一种则是model-based collaborative filtering，包括aspect model，plsa，lda，聚类，svd，matrix factorization等，这种方法训练过程比较长，但是训练完成后，推荐过程比较快。 最后一种方法是基于知识的推荐算法，也有人将这种方法归为基于内容的推荐，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行推荐。 混合推荐算法，则会融合以上方法，以加权或者串联、并联等方式尽心融合。 当然，推荐系统还包括很多方法，其实机器学习或者数据挖掘里面的方法，很多都可以应用在推荐系统中，比如说lr、gbdt、rf（这三种方法在一些电商推荐里面经常用到），社交网络里面的图结构等，都可以说是推荐方法。