如何为虚拟主机设计网站以提升SEO性能？

虚拟主机怎么设计网站吗,网站seo月报,seo网站内容,周口网站建设公司推荐系统被广泛应用于不同的应用程序中#xff0c;用于预测用户对产品或服务的偏好或评价。在过去的几分钟或几小时里#xff0c;你很可能在网上遇到过或与某种类型的推荐系统进行过互动。这些推荐系统有不同的类型#xff0c;其中最突出的包括基于内容的过滤和协作过滤。在…推荐系统被广泛应用于不同的应用程序中用于预测用户对产品或服务的偏好或评价。在过去的几分钟或几小时里你很可能在网上遇到过或与某种类型的推荐系统进行过互动。这些推荐系统有不同的类型其中最突出的包括基于内容的过滤和协作过滤。在本文中我们将研究基于地理位置的推荐我们特别关注地理位置以便利用用户的地理位置提供更相关的推荐。 为了说明基于位置的推荐器的关键方面我们将使用 K-Means 算法和来自 Kaggle 的 Yelp 数据集执行一个简单的基于位置的推荐。数据是 JSON 文件可以用 pandas 轻松读取。 下表显示了数据集的前 5 行。表中提供了企业坐标、评级星级和每家企业的评论数量。 探索性数据分析EDA与预处理  在本节中我们将探索并预处理数据集。该数据集包含来自 yelp 用户的评论并包含许多类别。为了简化我们的分析和对推荐模型的解释我们将把重点放在餐馆上您也可以选择您感兴趣的其他类别。 我们首先通过过滤所有包含 餐馆 一词的业务来创建一个餐馆数据帧。然后我们绘制出餐厅星级从 1 星到 5 星的分布图。从图中可以清楚地看出大多数餐厅的星级为 4.0 或 3.5 星只有少数餐厅的星级为 5.0 星。 我们还可以根据评论数和星级创建一个排序数据框架并将数据集中排名前 20 位的餐厅可视化。 这里不仅要根据星级对餐厅进行排序还要根据餐厅的评论数量进行排序。以下是数据集中所有排名前 20 的餐厅的分布图。 最后在进入 K-Means 聚类和基于位置的推荐之前让我们也探索一下这些餐厅的位置并将其可视化为一张地图。我们将使用 Plotly Express 库该库提供了一种灵活简便的方法可以用漂亮的底图绘制地理数据。 为了定制我们的推荐系统我们将只关注内华达州的拉斯维加斯因为该数据集中的餐厅数量最多。 我们为拉斯维加斯的所有餐馆绘制了放大地图。下面是拉斯维加斯所有餐厅的地图。地图的颜色基于餐厅的星级数量而大小则表示该餐厅的评论数量。如您所见评价较高的餐厅都集中在市中心。 K-Means 聚类 在执行 K-Means 聚类算法之前我们首先要确定数据集的最佳聚类数量。在这里我们使用了一种名为 Elbow 方法的技术。 弯头法可以帮助我们确定合适的聚类数量。这并不能给出准确的聚类数量但有可能帮助我们选择聚类的数量。从下图可以看出它有多个弯头。 在肘法的帮助下我们选择了 5 个聚类并对坐标执行 K-Means 聚类算法。我们还在 lasVegas 数据帧中填充了一列新内容。 最后我们绘制了 K-Means 算法的聚类散点图。该图清晰地显示了算法的输出结果有 5 个聚类。 基于位置的推荐 在本节中我们将把 K 均值聚类和餐厅评级结合起来根据用户的位置推荐餐厅。首先让我们创建一个数据帧根据评论数和星级对拉斯维加斯的餐厅进行排序。我们将其称为 DataFrametop_restaurants_lasVegas。 我们准备创建一个根据用户位置推荐餐厅的函数。我们创建一个根据用户位置推荐餐厅的函数。 在这里我们的函数将接收经纬度和数据帧。函数首先会预测坐标属于哪个集群然后进一步将数据帧限制在该集群中并返回该集群中排名前 5 的餐馆。 这个函数很简单只接受坐标但我们可以进一步开发接受其他输入如地址或邮编。这需要一些地理编码应用程序所以现在只需说明基于位置的推荐功能就足够了。在使用推荐函数之前让我们先创建一个测试数据帧。 现在我们可以将数据帧中的任何用户作为输入使用我们的推荐函数来测试我们基于位置的简单推荐的功能。请记住这些测试数据只是为了方便推荐函数可以直接接受任何给定的坐标。 对于第一个用户K-Means 算法会预测聚类并找出该聚类中排名前 5 的餐厅并进行推荐。红点为用户所在位置蓝点为推荐餐厅。 让我们再举一个例子本例中的用户 3。我们的 recommend_restaurant 函数会再次预测该用户所属的群组并从中选出该群组中排名前 5 的餐厅。 结论 在本教程中我们使用 Yelp 数据集演示了基于位置的 python 推荐。我们使用餐馆来展示基于位置的推荐应用。我们的推荐系统使用基于餐厅坐标的 K-Means 聚类并且只考虑餐厅的评级评级数和星级来推荐餐厅。我们还可以考虑餐厅的类型来定制推荐。这一点还可以进一步发展纳入其他输入方法如地址或邮政编码。