ListenBrainz
ListenBrainz是一个自由开源项目,用以收集和保存用户收听音乐的习惯。所有的数据都是开放和可共享的,付费后也可用于商业用途。ListenBrainz由管理MusicBrainz的MetaBrainz基金会运营。 ListenBrainz可以连接、Spotify、Rhythmbox等音乐服务或播放器,也可导入Last.fm数据。ListenBrainz可以根据这些数据来推荐内容。 参考资料 外部链接 *
共 9 篇文章
ListenBrainz是一个自由开源项目,用以收集和保存用户收听音乐的习惯。所有的数据都是开放和可共享的,付费后也可用于商业用途。ListenBrainz由管理MusicBrainz的MetaBrainz基金会运营。 ListenBrainz可以连接、Spotify、Rhythmbox等音乐服务或播放器,也可导入Last.fm数据。ListenBrainz可以根据这些数据来推荐内容。 参考资料 外部链接 *
Yelp是一家总部位于美国旧金山的跨国公司,它开发Yelp.com网站和Yelp移动应用程序。Yelp是一個用戶對餐館等場所進行評價的網站。 历史 2004年由前PayPal员工罗素·西蒙斯和杰里米·斯托普尔曼在美国旧金山成立,公司发展迅速,得到几轮融资支持,2010年营业额达到3千万美元,以及450万评论量。2009年到2012年在欧洲和亚洲业务也蓬勃发展。2009年在和谷歌进行几轮收购磋商之后拒绝其收购。2012年3月在纽约证券交易…
Last.fm是一个以英国为总部的網路電台和音乐社区。有遍布232个国家超过1500万的活跃听众。2007年被CBS互動以2.8亿美元价格收购,是目前歐洲Web 2.0網站中成交價最高的紀錄。 Last.fm使用的音樂推薦方式稱為「Last.fm Scrobbler」,該系統提供安裝在使用者的電腦播放程式(支持iTunes、Winamp、Windows Media Player、Foobar2000等)或隨身聽裝置的外掛程式,記錄(sc…
爛番茄()是一個美国电影和电视评论線上彙整网站。该网站于1998年8月由杨生(Senh Duong)、帕特里克·李(Patrick Y. Lee)和史蒂芬·王(Stephen Wang)等加州大学伯克利分校三名大學生创办。虽然“烂番茄”这个名称与观众在反对糟糕的舞台表演时扔烂番茄的做法有关,但最初的灵感却来自1992年上映的加拿大电影《莱奥洛》(Léolo)中一个以番茄为主题的场景。 历史 自2010年1月起,烂番茄归属于弗利克斯特(F…
矩阵分解(', ')是将一个矩阵拆解为数个矩阵的乘积的运算。其依使用目的的不同,可分为几类。 例子 在数值分析,矩阵分解常常用来实现一些矩阵运算的快速算法。 例如,当对线性方程组 A \mathbf{x} = \mathbf{b} 进行求解时,矩阵A可以透过LU分解进行分解。LU分解将矩阵分解为下三角矩阵L和上三角矩阵U。相比于原方程A \mathbf{x} = \mathbf{b},方程组L(U \mathbf{x}) = \math…
GroupLens研究所()是一个位于美国明尼苏达大学双城分校计算机科学与工程系的人机交互研究实验室,专门研究推荐系统和虚拟社区。该机构还致力于移动计算和普适计算、数字图书馆和本地地理信息系统的研究。GroupLens实验室是最早研究自动推荐系统的实验室之一,建立了Usenet文章推荐引擎—— "GroupLens"推荐器,以及用于研究推荐引擎、标签系统和用户界面的热门电影推荐网站MovieLens。该实验室还因其成员研究开放内容社区的…
大众点评网,创建于2003年4月,是美团公司旗下的本地生活信息评论、分享及交易平台,是中国最大的城市生活消费指南网站之一,大众点评网总部位于上海市长宁区安化路492号的易园内。 2018年起,大众点评网开始发布与米其林指南类似的“黑珍珠餐馆指南”系列。 历史 2002年,大众点评网创始人CEO张涛从美国返回中國后,参照美国的《》(Zagat Survey)模式创建了大眾點評網站(最初域名为zsurvey.com,后改为dianping.…
推荐系统是一种信息过滤系统,根據用户对物品的“评分”或“偏好”來推送相應內容。 推荐系统应用于各行各业。推荐的对象包括:电影、音乐、新闻、书籍、学术论文、搜索查询、分众分类、以及其他产品。也有一些推荐系统专门为寻找专家、合作者、笑话、餐厅、美食、金融服务、生命保险、網路交友,以及Twitter页面设计。 综述 推荐系统产生推荐列表的方式通常有两种:协同过滤以及基于内容推荐,或者基于个性化推荐。 协同过滤方法根据用户历史行为(例如其购买的…
協同過濾(collaborative filtering)是一种在推荐系统中广泛使用的技术。该技术通过分析用户或者事物之间的相似性(“协同”),來预测用户可能感興趣的内容并将此内容推荐给用户。这里的相似性可以是人口特征(性别、年龄、居住地等)的相似性,也可以是历史浏览内容的相似性(比如都关注过和中餐相关的内容),还可以是個人通过一定機制給予某个事物的回應(比如一些教学网站会让用户对授课人进行评分)。比如,用户A和B都是居住在北京的年龄在…