- 博客(19)
- 收藏
- 关注
RSS订阅原创 推荐系统导论笔记（七）
推荐系统的评估由于推荐系统的多样性，导致其评估方法也多种多样。例如，MAE可以用来评估对某个Item的Prediction的Accuracy，却并不适合Top-N形式的推荐系统，因此，了解不同推荐系统的评估方法是有必要的。基本准确率评估基本准确率评估主要针对单个Item进行Prediction的Accuracy进行评估。当进行评估时，先将一个用户的评分抹去，然后用推荐系统去尝试对其进行预测，最后用某
2015-12-20 18:44:36
758
原创 推荐系统导论笔记（六）
从Non-Personalize Recommendation到User-User Collaborative Filtering考虑这样一个最简单的问题：向一个用户uu 推荐商品ii，并给出预测评分ru,ir_{u,i}。一个最直观的考虑是算出所有其他用户评分平均数作为预测结果，即：ru,i=Σk≠urk,iNr_{u,i}=\frac{\Sigma_{k\ne u}r_{k,i}}{N}其中，N
2015-12-03 21:47:38
414
原创 推荐系统导论笔记（五）——Assignment 2
数据描述数据1：给定一张20×1020\times 10的表，其中，每一行是一个Doc，若该文档包含某个Topic，则对应的单元格为1，否则为0。 数据2：给定两个用户对文档的评分，若用户喜欢某文档，则对应单元格为1，否则为-1，且评分有缺失。问题描述构建基本用户档案使用上述数据构建一个最基本的档案，不用考虑关键字凸显等问题。完成下面两个问题：预测用户1最喜欢的文档，并给出相应的分数预测用户2
2015-12-01 00:59:06
477
原创 推荐系统导论笔记（四）
Content Based Filtering推荐算法概述CBF算法是一种个性化推荐算法，其基本思想是根据用户的长期、稳定的偏好来推荐Item给用户，如当用户买衣服时，他喜欢棉的、蓝色的、便宜的等等，这些偏好都是长期稳定的。因此，CBF必须解决以下两个问题：用户偏好的获取与表示Item的匹配当然，同样存在着大量需要个性化推荐，但无法获取长期、稳定偏好的情况。比如，我要购买电脑或者
2015-11-20 16:58:16
486
原创 推荐系统导论笔记（二）
非个性化推荐算法非个性化推荐是指在不知道用户的Preference的情况下根据用户的投票或行为（如点击、购买、查看等）作出的推荐。其可大致分为如下两类：观点累积推荐产品联合推荐其中，观点累积推荐是指根据系统用户的评分，根据某种统计特征（如净支持数、平均数等），或根据某种算法得出分数，对Item进行Rank的算法。 产品联合推荐是指，通过观测用户的行为，挖掘出Item之间的联系，
2015-11-12 23:48:14
697
原创 推荐系统导论笔记（一）
推荐系统基本框架推荐系统的基本模型一般有以下三个部分构成：UserItemRating每个User可以有自己的一些属性（Attribute），如喜好、偏向等。这个属性可以通过对用户的行为进行统计得出，如统计该用户阅读新闻的主题等。在Content Based Filtering算法中，会利用此数据对用户进行基于内容的推荐。 类似的，每个Item也有自己的属性，例如风格（style）、流派（
2015-11-11 00:34:12
743
原创 MultiAgent Systems读书笔记
分布式约束满足问题定义一个约束满足问题（Constraint Satisfaction Problem,CSP）的形式化定义如下： 一个CSP由以下三个部分组成：变量集X={X1,X2,…,Xn}X=\{X_1,X_2,\dots,X_n\}，域集D={D1,D2,…,Dn}D=\{D_1,D_2,\dots,D_n\}和约束集C={C1,C2,…,Cn}C=\{C_1,C_2,\dots,
2015-09-26 15:41:44
124
原创 神经网络学习笔记（七）
在前面几章中，我们介绍了随机梯度下降的框架和各个参数误差的求法，本章将在此基础之上介绍用于训练神经网络的反向传播算法。一、反向传播算法（Backpropagation Algorithm）回顾随机梯度算法的流程：初始化各个参数θ\theta，θ={w(1),b(1),...,w(L+1),b(L+1)}\theta=\{w^{(1)},b^{(1)},...,w^{(L+1)},b^{(L+1)}
2015-04-30 10:49:27
448
原创 神经网络学习笔记（七）
在前面几章中，我们介绍了随机梯度下降的框架和各个参数误差的求法，本章将在此基础之上介绍用于训练神经网络的反向传播算法。一、反向传播算法（Backpropagation Algorithm）回顾随机梯度算法的流程：初始化各个参数θ\theta，θ={w(1),b(1),...,w(L+1),b(L+1)}\theta=\{w^{(1)},b^{(1)},...,w^{(L+1)},
2015-04-30 10:24:26
89
原创 神经网络学习笔记（七）
在前面几章中，我们介绍了随机梯度下降的框架和各个参数误差的求法，本章将在此基础之上介绍用于训练神经网络的反向传播算法。一、反向传播算法（Backpropagation Algorithm）回顾随机梯度算法的流程：初始化各个参数θ\theta，θ={w(1),b(1),...,w(L+1),b(L+1)}\theta=\{w^{(1)},b^{(1)},...,w^{(L+1)},
2015-04-30 00:04:53
78
原创 神经网络学习笔记（七）
在前面几章中，我们介绍了随机梯度下降的框架和各个参数误差的求法，本章将在此基础之上介绍用于训练神经网络的反向传播算法。一、反向传播算法（Backpropagation Algorithm）回顾随机梯度算法的流程：
2015-04-29 23:39:17
135
原创 神经网络学习笔记（五）
上一章我们讨论了求输出层激励的梯度和输出层预激励的梯度的方法，可以发现，求解过程极其复杂，本章将从链式法则入手，推导出各隐层的参数梯度的一般形式。一、链式求导法则回顾高数的知识，若一个函数可写成若干个中间结果，即p(a)=p(q1(a),...qi(a),...,qn(a))p(a)=p(q_1(a),...q_i(a),...,q_n(a))，则有∂p(a)∂a=∑i∂p(a)∂qi(a)∂qi(
2015-04-27 16:55:51
789
原创 神经网络学习笔记（五）
上一章我们讨论了求输出层激励的梯度和输出层预激励的梯度的方法，可以发现，求解过程极其复杂，本章将从链式法则入手，推导出各隐层的参数梯度的一般形式。一、链式法则回顾高数的知识，若一个函数可写成若干个中间结果，即p(a)=p(q1(a),...qi(a),...,qn(a))p(a)=p(q_1(a),...q_i(a),...,q_n(a))，则
2015-04-20 22:58:09
68
原创 神经网络学习笔记（四）
一、神经网络中误差函数问题对于一个分类问题，神经网络的输出等价于计算条件概率f(x)c=p(y=c|x)f(x)_c=p(y=c|x)。我们希望在训练集中的样本可以最大化上述概率，即给定训练数据点x(t)x^{(t)}，我们希望最大化输出为y(t)y^{(t)}的概率。为了和前面提出的经验风险最小化训练框架相结合，我们把这个最大化问题通过取负对数将其转化为一最小化问题。转化后的负对数似然目标函数定义
2015-04-19 11:42:35
572
原创 神经网络学习笔记（三）
上一章主要讨论了单个神经元的容量问题，本章将着重讨论多层神经网络的容量和训练问题。一、多层神经网络的容量问题如图是一个具有两个隐藏单元的单隐层神经网络，左网格图是左侧隐层神经元的输出激励，右侧网格图是右侧隐层神经元的输出激励，则最终的输出激励是二者的叠加（至于是求和还是做差，取决于连接权值的选取，在本例中，是做差的过程）如果我们增加隐层神经元个数，我们可以得到更为复杂的输出激励：这里，我们总共有四个
2015-04-14 11:09:22
1511
原创 神经网络学习笔记（二）
上一篇文章讨论了神经元的结构和几种常见的激励函数，本章将进一步讨论神经元的容量问题和多层神经网络的表示问题。一、神经元容量问题单个神经元可以解决二分类问题和线性可分问题，下面就这两个问题展开讨论。1.二分类问题如果输出激励函数采用Sigmoid或Hyperbolic Tangent函数，此时神经元的作用等价于计算条件概率p(y=1|x)p(y=1|x)，当上述条件概率大于0.5时，将样本归为11类，
2015-04-13 11:05:38
680
原创 用Libstreaming打造属于自己的RTSP服务器
Libstreaming是一个开源的流媒体框架，它可以让手机变成一台流媒体服务器，直接在PC端查看手机摄像头的实时画面。值得一提的是它的作者也是spydroid的作者。按照作者的说法，spydroid是利用该库完成流媒体传输的，但据笔者的分析观察，此说法并不十分确切。Libstreaming是spydroid的抽象与升华，RTSP服务器的实现方式也有很大的不同。巧妇难为无米之炊，我们先把Lib
2014-01-27 14:14:46
8518
7
原创 vitamio官方demo源码分析（1）——MediaPlayerDemo_Video.java分析
最近在做一个视频监控项目的android客户端，要求用rtsp协议完成视频流的传输，但苦于找到不合适的库。之前考虑过用live555或ffmpeg，但涉及到jni调用，加之不熟悉函数调用顺序，开发难度和周期较长，遂作罢。于是乎，混迹于各大论坛寻找解决方案，经过一番苦苦寻觅，终于找到了一个比较满意的多媒体框架——vitamio。vitamio作为一个国人开发的android多媒体开发框架，以支持
2013-11-29 22:09:58
5535
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人