- 博客(6)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 Graph partition
所有的点组成一个图的形式。聚类问题就变成一个图的切分问题。把相距近的东西一团一团的切出来。最后就得到n个子图，也就是分成了n个类目。
2009-02-17 15:49:00
3979
原创 层次聚类的时间控制
聚类的关键在于根据数据特征导出距离函数。找到距离函数，聚类就成功了一半了。距离函数包括两个样本直接的欧式距离，余弦相似度，person相似度等等。根据不同的情景，选择不同距离函数。距离函数可以另外增加一些类别信息，如控制每个类别下样本的个数。（1）控制聚类的层数非常重要。控制层数，可以控制，最终的聚类结果，关键是减少时间。（2）当有几万个样本，要聚成几千个类的时候。减少每个样本和其他样本的比
2009-02-17 14:40:00
955
原创 马尔科夫 与 推荐系统
能否把推荐系统看成一个马尔科夫过程。把用户购买的东西当成一个马儿科夫链。链中的每个结点就当成一个spu（或者类目）。通过每个结点的发散概率。这样当用户买了商品的时候，就可以根据他买的spu推荐他将要买的东西。
2009-02-09 12:50:00
1830
5
原创 推荐系统的几个阶段
推荐系统在大量的网站中都用所应用最开始是关联规则挖掘。基于频繁集的挖掘。范围是所有用户和商品直接挖掘。然后是协同过滤的挖掘。基于用户的推荐。范围是用户相似的用户和他们感兴趣的信息。内容推荐。是信息内容的抽象特征和用户的特征向匹配对应。基于协同tag推荐。就是 用户的兴趣点 和 商品特征和匹配对应。以下推荐几篇推荐系统方面的论文：amazon.com recommendation
2009-02-06 10:53:00
1681
原创 一个简单的makefile 文件模板
OBJ =objSRC =src#SRCS := $(wildcard $(SRC)/*.cpp)SRCS = $(SRC)/demo.cpp $(SRC)/mycla.cppOBJS := $(patsubst $(SRC)/%.cpp,$(OBJ)/%.o,$(SRCS)) CXXFLAGS = -O2 -g -Wall -fme
2009-02-03 14:14:00
678
原创 我们网上浏览的信息都在被谁记录？
各种网站为了提供更好的服务，一定记录了我们在互联网上面大量访问信息。qq，百度，google，网页等等网站一定都在大量记录我们的访问信息，可能不仅仅是cookie；不是cookie，还使用mac地址来识别信息？网站怎么得到mac地址？但是这种记录，如果是网吧电脑，同时有多个用户登录，问题可能更复杂一些：一台电脑上面这些用户的交集可能更加明显，其感兴趣的范围也更加宽。
2009-02-03 11:08:00
2090
logview里面SourceXML页面，找到 <TaskPlan> </TaskPlan>里面的内容的json格式转换
2023-09-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人