相国_数据挖掘,搜索开发,java编程-CSDN博客

在Windows上装hadoop生态组件是一件麻烦事，但是HBase的安装却可以非常简单。目前主流的安装文档都需要装Hadoop，这里介绍一个简单的单机版安装方法，适合用来学习。1. 下载HBASE，以及Hadoop模拟工具winutils.exe下载地址都不发了，还是很容易找到的，而winutils.exe是用来模拟Hadoop的，只要有这个文件就可以了，这个也可以找得到，例如这个博客下面的留言就有。注意要把winutils.exe放在bin目录里。后面HADOOP_HOME不要指向bin，而是指

2021-03-21 20:49:12 659 2

原创记录一次失败的Windows上milvus安装

milvus是一个向量近似搜索库，未来应该会在很多领域有大用途。最近一年才出的，所以想赶个时髦。但是milvus跨平台不是像Java语言这种方式，而是通过docker安装的形式。没玩过docker，好吧，正好也试试吧。在Windows上装docker，有两种选择：一个是官网推荐的docker for desktop, 适合win10专业版旗舰版教育版。但家庭版不支持，另一个就是docker toolbox。很多win10 home, win7, win8的系统都可以用。我是win10 ho...

2020-08-18 14:02:50 2512 3

原创 MapReduce思想的学习

MapReduce作为一个十多年的方法论，掌握过程不难，但我们需要知道MapReduce是一种什么样的方法论。这篇博客也许有一些大家从来没见过的内容。

2019-05-13 14:59:46 642

原创 webmagic 源码学习（2）

webmagic的爬虫基本架构，其设计可以让人只需要实现PageProcessor中的process方法，完成列表页、详情页相应逻辑即可。而很多网站也许就只有简单的这两种页面的逻辑，webmagic还提供了更简单的表达两个页面解析逻辑的使用方法：一：注解；二：正则组合。注解注解是Java里面用得多但写的不多的，我本人也没有概念，趁此机会学习一下Java注解。这篇博文讲...

2018-04-03 15:55:01 820

原创 webmagic源码学习（1）

如今获取互联网信息是一种很普遍的需要，用任何语言实现一个由HTTP发起请求获取数据功能都很容易，但要完整地处理可能面对的其他问题就有点麻烦了。因为爬虫涉及的点不少，因此阅读一个开源爬虫能借鉴一些优秀的设计理念，有学习价值。大名鼎鼎的scrapy，只需要编写页面处理的逻辑。我选了个模仿它写的Java系的爬虫学习：webmagic。架构上webmagic采取了scrapy架构：...

2018-02-24 18:23:15 647

原创 win10安装TensorFlow+keras

跟风玩深度学习，最简单的keras下手看看先。用anaconda开环境安装TensorFlow的CPU和GPU版本，用pip install 安装keras其他的lib，下载whl本地安装更好。

2018-01-21 22:14:20 1206

原创 notepad++ 64位安装json插件JStool

64bit的 notepad++不支持plugin manager了，只能手动安装插件json格式化工具：JSToolhttp://www.softpedia.com/get/Office-tools/Text-editors/Junwen-JSMin.shtml，下载x64 unicode版本 dll放进plugin目录里就搞定了

2017-09-02 20:14:44 10176 4

原创 [搬运]台湾大学机器学习课程 by 李宏毅

台湾大学电机系李宏毅老师讲的机器学习课程，含有deep learning相关内容，深入浅出，建议选择性学习。

2017-04-03 09:43:25 28302

原创用elasticsearch和kibana 进行简单的实时数据报表分析

elasticsearch+kibana能帮助你轻松完成一个实时日志报表的功能。es需要制定自己的template， kibana要注意时区问题。

2016-01-26 15:31:21 24058 2

原创一种简单的计算item相似度算法

计算item之间相似度是个有意义的工作，比如词的相似度就有很多应用场景。

2015-04-05 18:42:35 5735 4

原创 Solr应用之电商商品搜索备忘

把以前做电商商品搜索的经验总结一下，

2014-10-16 16:15:18 4196 1

原创倒排链上的查询剪枝技术学习总结

背景我最近对海量高维数据检索产生了兴趣，

2014-10-13 19:37:56 4430

原创对GraphChi的Parallel Sliding Window的理解与随想

GraphChi设计成可以在个人计算机上高效进行大规模计算的框架，其中在模型不能一次性读入内存的时候，用到了PSW算法，核心是用连续读写来代替的随机读写。在我自己写单机算法时候也考虑过模型如果内存装不下问题，当时正好看到graphchi的PPT，也就想明白是怎么做到的，虽然我没有完整读完PSW的资料，但我发现我前端时间在做feluca设计的数据划分方式其实和PSW本质一样的，所以我感觉自己也算理解

2014-10-08 16:45:04 3389

原创一个简易的数据挖掘计算平台项目: feluca

业余数据挖掘项目feluca想法的完整记录

2014-06-30 12:03:55 3661 1

原创利用Solr完成向量乘以矩阵功能：以协同过滤算法ItemCF为例

很多应用的计算最终都转化为矩阵相乘来完成，例如推荐算法中的协同过滤就可以套上去。协同过滤（collaborative filtering）是推荐系统中一类广泛使用的方法，协同过滤中两种比较出名的方法item-based CF、user-based CF。itemCF方法更简单，推荐理由也更温和，将是本文介绍的实践内容。

2014-06-01 13:05:54 3827

原创配置Solr中文分词器IK以及ansj，支持动态修改用户词库。

经常看到不少人问solr的IK分词如何配置，如何实现中文动态词库添加这类问题，中文分词看来还是solr使用的一个容易卡住的地方。其实solr自带中文分词smartcn，它是个ictclas智能分词的java版。如果想体验一下smartcn的效果是比较简单的，配上对应的tokenizerFactory就可以了，但smartcn不支持动态增加词库。我们都知道一般词库都是单例，想动态修改词库要么保证

2013-11-01 16:16:15 8907 3

原创 hadoop，hbase，hive 安装snappy压缩

最近又安装了一次hadoop系列，以前装过几次，但总也是磕磕碰碰的，本来想这次安装一步到位，可惜以前记录不够详细，中间还是过程还是有些遗漏，这次把过程详细记录起来。hadoop-1.1.2， hbase-0.95-hadoop1， hive-0.10 + snappy压缩。中间遇到不少坑，记录下来；由于这次目标是三件套一步到位，因此配置的时候是一块配置了，三台ubuntu机器分别为zmhad

2013-05-12 18:59:32 4571 2

原创自动补全（智能提示）原理与实现

自动补全，英文叫autocomplete，好像也叫智能提示，就是用户在输入框敲一个字符会弹出下拉列表提示候选词给用户，方便用户输入，提升用户体验。网上多是JS如何实现，用ajax请求拿到数据就可以了，这里分享一下后台实现的一些思路。如果对性能和效果要求不高的话，可以直接在数据库中用like的方式去匹配候选词集合；或者在一个检索系统上也可以通过查询前缀

2013-04-17 21:46:52 18945 6

原创搜索词纠错（拼写检查）、相关搜索的原理与实现

相关搜索是检索功能的一个扩展，用来告诉用户自己输入查询词的情况。如果输入错了，可能会纠错提示用户：“想找的是不是” 。另外还会在显著位置提供与输入查询词相关的其他查询词，例如百度结果页下面的提示，而对于电商网站这两个功能会合在一起，下面分别说说我对这两个任务的理解。一、纠错功能，英文叫做spellcheck，在英文上做纠错比较直接，就是看单词的

2013-04-05 12:58:12 16329

原创 java远程调试、监控虚拟机

在开发环境写好并测试过的服务程序，部署到服务器去，结果未必理想，一是数据源可能必须在服务器上获取，二是可能会出现开发机没见过的问题，所以有必要知道一些远程调试和分析的方法；最近查阅了一些资料，现在就把过程记录一下。一、在eclipse中远程调试1.1 在你的 JAVA启动命令后加入-server -Xdebug -Xrunjdwp:transport=dt_socket,serv

2013-03-22 17:01:17 3100

原创 solr学习笔记（二）：进阶

这次讲讲solr4.0最新的云，其中solrj那段引用了其他人的结论，以后可能还会调整一下内容。到1月23号已经更新了4.1，solrcloud改变不少,尤其是修复了一些bug， 4月最新版是4.3，也是增加了很多内容1. solrcloud jetty启动： wiki有教程；实验遇到的问题：1. 在windows上不同jetty带起的solr实例注册

2013-01-15 16:41:02 5051

原创 solr学习笔记（一）：入门

Solr是一个比较成熟和热门的搜索引擎解决方案，之前的博客也提到过。最近在学习搜索开发也查阅过solr的资料，相对elasticsearch来说资料更全，案例更多也更让人放心，我现在还没发做很细致的比较，但个人认为中小型搜索用solr可能会更合适，毕竟更成熟可靠一些。介绍Solr的资料也有不少，比如书籍就有 Solr.3.Enterprise.Search.Server和Apache

2012-12-30 21:22:57 4336

原创 kaggle competition 之 Titanic: Machine Learning from Disaster

Kaggle是一个数据科学竞赛平台(making data science a sport)，在上面，很多机构会发布研究问题和数据集提供大家解决，有些会有报酬。第一次看到这个网站就觉得它会火，在信息爆炸时代，通过挖掘历史数据来对业务提供更有效的服务已经是大势所趋。而kaggle上的题目都是偏向数据挖掘类的，这相比ACM或者projecteuler这种纯算法的题要更有专业和更开放；一个题一般都会有一

2012-10-23 11:59:26 3738 3

原创 elasticsearch学习入门

这几年，搜索的开发门槛越来越低，每个语言都有开源的检索工具包，而且功能越来越全，完整的解决方案也越来越多、越来越好用，比如lucene上就有solr, elasticsearch, sensei等。它们对于绝大部分的需求应该说都覆盖了，解放了直接在检索工具包上的开发工作量，让人可以更多关注业务上的开发。个人比较看好elasticsearch（简称ES），ES的使用非常简单，让人感觉更多地在使用

2012-10-09 20:04:08 14123 3

原创一个数据挖掘算法的项目:dami

（更新于2012/11/15）关注和学习数据挖掘不少年，现在数据挖掘算法已经非常多了，比较出名的基本都能找到实现好的。掌握一个算法原理十分重要，但我觉得实现一遍算法对于算法的如何适用数据才是最有帮助的。一些挖掘工具遇到大量点的数据集就吃不消，可能是对内存不珍惜，可能是对计算不节俭等等。感觉到写出一个能在海量规模下实用的算法应该还是有意义，能锻炼技术。最近业余时间多一些，也就开始想把之前工作之余写过

2012-07-03 17:36:31 4805 2

原创频繁项集挖掘之apriori和fp-growth

Apriori和fp-growth是频繁项集(frequent itemset mining)挖掘中的两个经典算法，虽然都是十几年前的，但是理解这两个算法对数据挖掘和学习算法都有很大好处。在理解这两个算法之前，应该先了解频繁项集挖掘是做什么用的。频繁项集挖掘是关联规则挖掘中的首要的子任务。关联规则挖掘是要找出一个数据集上，满足一定条件的项集。这些项的集合能构成形如蕴含式"A=>B"这样的

2012-05-30 09:39:14 16548 3

原创基于评分数据的推荐算法实现：slopeone和矩阵分解

近几年推荐算法研究得比较火热，得益于netflix的百万大奖。推荐算法有多种分法，有人喜欢分成基于内容和基于用户行为的，而主流的文献还是从算法分得多：即neighborhood-based和基于factorization的。 neighbor-based方法比较早，主流的user-base和item-base，其思想都是猜测用户会喜欢和他口味一致的东西。矩阵分解直接把预测问题转换成一个估计对评分矩

2012-01-05 20:43:24 10148 43

原创随机交换（swap randomization）的python实现

随机交换内容可以看这：http://blog.csdn.net/lgnlgn/article/details/5936945其实是直接翻译作者perl源码过来的... 作者perl源码在这：http://www.cs.helsinki.fi/hiit_bru/software/swaps/作者用的是self loop的实现方式。不懂perl不过还是勉强看懂过程，python源

2011-11-12 21:23:23 2810

翻译人类概念学习的复杂度 complexity of human concept learning

人类概念学习的复杂度 complexity of human concept learning，化简布尔概念的布尔复杂度。化简是一种压缩，数据挖掘同样是一种压缩~

2011-08-02 13:35:30 1727 2

原创基于随机游走的社团划分算法hadoop MR实现

继上篇介绍的算法和单机实现。这篇介绍一下mapreduce实现。其实python的实现已经用的mapreduce的思路了，改成在真实分布式环境并不难，我在hadoop平台上简单的实现了这个算法。 Map端完成边的propagation效应，即input(fromId, toId) -> output(toId,labelinfo)。每轮计算需要上一轮节点的Label结果，一次性读到

2011-07-07 13:39:12 4325 4

原创基于随机游走的社团划分算法label progation 的python实现

其实这个算法也可以作为聚类算法来用，计算出两两样本之间的相似度，作为这个算法里边的权重，可以去掉值很低的，然后进行聚类。我们假设一个图有m个节点n条边，label propagation的复杂度是O(kn) （不确定）k是迭代次数。在一般情况下，n2 因此是个和图规模线性关系的算法。如果聚类最后一步采用这种方法，那么计算两两相似度得到图结构，需要O(m2)应该是主要开销。

2011-06-22 19:16:00 6239 9

原创二进制串模糊搜索的Java实现（续）

上一篇具体讲了怎么做的,后来又一直在想如何提高. 因为不太明白如何提高效率，我又做了一些无谓的尝试，比如把同前缀的写到一个小文件里，例如8K，如果数据量小，多个前缀的数据都写在一块里，猜想从路径直接定位到文件会快很多。结果尝试了一下，结果和原来的方法一样的结果甚至更慢…. 我们可以知道每一块其实只要找到前缀一致的那批long,这可以转变为一个key-value查找

2011-06-18 15:49:00 1327

原创二进制串模糊搜索的Java实现

这个问题其实是从之前博客（http://blog.csdn.net/lgnlgn/archive/2010/11/14/6008498.aspx）介绍的爬虫去重的论文中的一个内容，问题是这样描述的：给定N个f位的指纹集合C，对一个输入指纹f’，如何找出C中与f’汉明距离小于k的所有指纹？具体地，论文里N=80亿，f=64，K=3。 64位取3的汉明距离可能性一共有C(64,3) >

2011-06-04 21:37:00 2238 7