第43周 ARTS 2019 08 11

Algorithm：638. 大礼包
Review： Adaptive Collaborative Topic Modeling for Online Recommendation
Tip/Tech： ｋｈａｎ算法完成拓扑排序
Share：美国的小孩更加想成为网红

Algorithm

638. 大礼包

https://leetcode-cn.com/problems/shopping-offers/description/

这题吧，其实用回溯递归实现就可以ｗｏｒｋ了，其实我发现这题，如果用递归树来理解就很方便了。。。
总体的思想：就是你需要用到尽量多的大礼包，
具体的思想，我们先假设有Ａ、Ｂ、Ｃ三个大礼包：
１　首先我们先试试Ａ礼包能不能替换部分的物品
２　如果Ａ可以满足，那么再试试Ａ礼包
３　如果不能满足条件替换，那么再试试Ｂ礼包
４　如果Ｂ礼包不行，就试试Ｃ礼包，
５　如果Ｃ礼包还不行，那么就是只能换一次Ａ礼包
６　剩下的都原价买了，看看价格
７　用Ｂ礼包替换Ａ再从第一步开始。
画个递归树的图就是下图这样：

ＳＨＯＷ　ＴＨＥ　ＣＯＤＥ

class Solution {
    public int shoppingOffers(List<Integer> price, List<List<Integer>> special, List<Integer> needs) {
        shopOffers(price, special,  needs, 0);
        return ans;
    }
    int ans = Integer.MAX_VALUE;
    private void  shopOffers(List<Integer> price, List<List<Integer>> offers, List<Integer> needs, int tempAns) {
        for (int i = 0, offersSize = offers.size(); i < offersSize; ++i) {
            LinkedList<Integer> temp = new LinkedList<>();
            List<Integer> offerTemp = offers.get(i);
            for (int j = 0, needSize = needs.size(); j < needSize; ++j)  {
                if (needs.get(j) >= offerTemp.get(j)) {
                    temp.add(needs.get(j) - offerTemp.get(j));
                } else {
                    temp = null;
                    break; 
                }
            }
            if (temp != null) {
                shopOffers(price, offers, temp, tempAns + offerTemp.get(offerTemp.size() - 1));
            }
        }
        for (int i = 0, len = price.size(); i < len; ++i) {
            tempAns += needs.get(i) * price.get(i);
        }
        ans = Math.min(ans, tempAns);
    }
}

Review

http://www2.agroparistech.fr/ufr-info/membres/cornuejols/Papers/PUBLIES/2018-RecSys-adaptive-collaborative-topic.pdf

Adaptive Collaborative Topic Modeling for Online Recommendation

推荐方法目前有三个分类：
第一，基于内容的（CB）方法依赖于从中提取的信息
用户配置文件和项目描述。
第二，协同过滤（CF）方法利用用户活动和过去的互动，例如，评级和点击，以学习偏好并产生推荐。
最后，混合方法旨在结合两种技术为了克服他们的弱点：虽然CB方法倾向于
过度专业化，缺乏新奇感，表现力CF方法随着评级稀疏度和冷启动设置的增加而下降，混合方法诞生了。

本文中提出了一个CoAWILDA算法，结合两种算法来玩。AWILDA是一个算法，co应该代表的是协同过滤的啥意思。

总体思想如下：

Tip/Tech

khan算法解决拓扑排序

这个礼拜做了几道需要用拓扑排序解决的题目，就把拓扑排序给简单的复习了一下子
这里假设我们有个已经收集好信息的邻接表中存放着拓扑的关系，其中链表数组，每个下标代表着起始原点的值，他的元素链表里存放着他之后的那个节点：

public void topoSortByKahn(LinkedList<Integer>[] adj) {
  int[] inDegree = new int[v]; // 统计每个顶点的入度
  for (int i = 0; i < v; ++i) {
    for (int j = 0; j < adj[i].size(); ++j) {
      int w = adj[i].get(j); // i->w
      inDegree[w]++;
    }
  }
  LinkedList<Integer> queue = new LinkedList<>();
  for (int i = 0; i < v; ++i) {
    if (inDegree[i] == 0) queue.add(i);
  }
  while (!queue.isEmpty()) {
    int i = queue.remove();
    System.out.print("->" + i);
    for (int j = 0; j < adj[i].size(); ++j) {
      int k = adj[i].get(j);
      inDegree[k]--;
      if (inDegree[k] == 0) queue.add(k);
    }
  }
}

Share

https://arstechnica.com/science/2019/07/american-kids-would-much-rather-be-youtubers-than-astronauts/

American kids would much rather be YouTubers than astronauts

美国的小孩更加想成为网红

在人类登月50周年的这个年头，乐高玩具公司做了一分调查，这个调查，咋说呢。。
我是有点持有怀疑态度的，毕竟，结果有点太悬殊了。

可以直接来看了结果：

不管是在应该还是在美国，要当宇航员的意愿都远远的弱于当网红的意愿，这个简直了？
我能说这是国产的中国式灌输的教育的成功么？还有广告的宣传到位？
因为对于小孩子来说，你在油管上面当个网红，轻松，能赚钱，但是你要是知道当个宇航员，赚的不是很多，还幸苦，还有声明危险，我很难想象小孩子回去选择当个宇航员。

最最最最最最主要的原因是啥？如果你要问一句：我们为什么要每年耗费那么多的钱，那么的技术去探索太空啊？就是个航天工程的经典之问。我相信大部分的小孩子应该是回答不上来的。
这小孩子为什么居然会选择这个答案，我真的 表示很费解。。。是不是在中国玩乐高的都是些小康，甚至高学历家庭的孩子啊。。。受众不同对不对？