本项目致力于开发一个餐厅评分预测算法，专注于通过多种机器学习技术对Yelp数据集上的餐厅进行评分预测。我们使用了包括奇异值分解SVD、余弦相似度、交替最小二乘法ALS、随机梯度下降SGD和随机森林等方法，以提供准确的评分预测并增强推荐系统的性能。
-
（推荐）安装Anaconda
- 访问Anaconda官方网站：www.anaconda.com，从下载页面获取安装程序。
- 如果在中国大陆，由于网络问题，建议使用清华大学Anaconda镜像站点进行下载。
- 完成安装后，按照这个教程来配置环境变量，以确保可以从命令行运行Anaconda。
-
进入项目目录
- 使用命令行界面，导航到您的项目文件夹。
-
创建并激活虚拟环境
-
创建虚拟环境：在命令行中输入以下命令：
conda create -n Yelp_env python=3.11
-
激活虚拟环境：
conda activate Yelp_env
-
-
安装项目依赖
-
使用pip安装依赖。在项目目录中，有
requirements.txt文件，列出了所有必需的Python库，使用以下命令安装依赖：pip install -r requirements.txt
-
如果在中国大陆，考虑使用清华大学PyPI镜像加速依赖安装：
-
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple$ tree
.
├── README-SC.md
├── README.md
├── assets
│ ├── Palette.json
│ ├── PingFang.ttc
│ ├── yelp_business_dtype.json
│ └── yelp_dtype.json
├── data
│ ├── README-SC.md
│ ├── README.md
│ ├── Yelp_final.csv
│ ├── yelp_academic_dataset_business.csv
│ └── yelp_academic_dataset_review.csv
├── images
│ ├── 01_每个城市的商家数量.png
│ ├── 02_最受欢迎的商家类别.png
│ ├── 03_城市和商家类别组合数量.png
│ ├── 04_获得评论最多的城市和商家类别组合.png
│ ├── Phoenix
│ │ ├── 01_SVD奇异值分布_前20个主成分.png
│ │ ├── 02_不同奇异值数量下的训练集和验证集误差.png
│ │ ├── 03_不同奇异值数量下验证集误差.png
│ │ ├── 04_前两个主成分散点图.png
│ │ ├── 05_去除偏差后的SVD_奇异值分布（前1000个）.png
│ │ ├── 06_去除偏差后SVD_验证集重构误差.png
│ │ ├── 07_去除偏差后的SVD_奇异值分布.png
│ │ ├── 08_去除偏差后的SVD_验证集重构误差.png
│ │ ├── 09_余弦相似度模型_不同K值对评分预测MSE的影响.png
│ │ ├── 10_ALS_特征数量与均方误差的关系.png
│ │ ├── 11_ALS_正则化系数对MSE的影响.png
│ │ ├── 12_带偏差修正的SGD_MSE与迭代次数的关系.png
│ │ └── 13_带偏差修正的SGD_特征数量与MSE关系.png
│ └── Scottsdale
│ ├── 01_SVD奇异值分布_前20个主成分.png
│ ├── 02_不同奇异值数量下验证集误差.png
│ ├── 03_不同奇异值数量下验证集误差.png
│ ├── 04_前两个主成分散点图.png
│ ├── 05_去除偏差后的SVD_奇异值分布（前1000个）.png
│ └── 06_去除偏差后的SVD_验证集重构误差.png
├── notebooks
│ ├── 01_数据预处理.ipynb
│ ├── 02_Phoenix餐厅.ipynb
│ └── 03_Scottsdale餐厅.ipynb
├── reference
│ ├── 1404.1100v1.pdf
│ ├── Wikipedia.md
│ ├── 奇艺值分解.md
│ ├── 【学长小课堂】什么是奇异值分解SVD--SVD如何分解时空矩阵.mp4
│ └── 【学长小课堂】什么是奇异值分解SVD--SVD如何分解时空矩阵.srt
└── src
├── __init__.py
├── color_generator.py
├── evaluation.py
├── model.py
└── preprocessing.py
9 directories, 47 files