1. 令 A = { 1 , 2 , 5 , 8 , 9 } \mathbf{A} = \{1, 2, 5, 8, 9\} A={1,2,5,8,9},写出 A \mathbf{A} A 上的 “模 2 同余” 关系及相应的划分.
答:关系 R = { ( 1 , 1 ) , ( 2 , 2 ) , ( 5 , 5 ) , ( 8 , 8 ) , ( 9 , 9 ) , ( 1 , 5 ) , ( 5 , 1 ) , ( 1 , 9 ) , ( 9 , 1 ) , ( 5 , 9 ) , ( 9 , 5 ) , ( 2 , 8 ) , ( 8 , 2 ) } \mathbf{R} = \{(1, 1), (2, 2), (5, 5), (8, 8), (9, 9), (1, 5), (5, 1), (1, 9), (9, 1), (5, 9), (9, 5), (2, 8), (8, 2)\} R={(1,1),(2,2),(5,5),(8,8),(9,9),(1,5),(5,1),(1,9),(9,1),(5,9),(9,5),(2,8),(8,2)}。按照同余划分,集簇 P = { { 2 , 8 } , { 1 , 5 , 9 } } \mathcal{P} = \{\{2, 8\}, \{1, 5, 9\}\} P={{2,8},{1,5,9}}。
2. A = { 1 , 2 , 5 , 8 , 9 } \mathbf{A} = \{1, 2, 5, 8, 9\} A={1,2,5,8,9}, 自己给定两个关系 R 1 \mathbf{R}_1 R1 和 R 2 \mathbf{R}_2 R2, 并计算 R 2 ∘ R 1 \mathbf{R}_2 \circ \mathbf{R}_1 R2∘R1, R 1 + \mathbf{R}_1^+ R1+, R 1 ∗ \mathbf{R}_1^* R1∗.
答:令关系
R
1
=
{
(
1
,
2
)
,
(
2
,
1
)
,
(
2
,
5
)
,
(
5
,
8
)
}
\mathbf{R_1} = \{(1, 2), (2, 1), (2, 5), (5, 8)\}
R1={(1,2),(2,1),(2,5),(5,8)},
R
2
=
{
(
2
,
5
)
,
(
8
,
9
)
}
\mathbf{R_2} = \{(2, 5), (8, 9)\}
R2={(2,5),(8,9)},则,
R
2
∘
R
1
=
{
(
1
,
5
)
,
(
5
,
9
)
}
\mathbf{R}_2 \circ \mathbf{R}_1 = \{(1, 5), (5, 9)\}
R2∘R1={(1,5),(5,9)},
R
1
\mathbf{R_1}
R1 的正闭包
R
1
+
=
{
(
1
,
1
)
,
(
1
,
2
)
,
(
1
,
5
)
,
(
1
,
8
)
,
(
2
,
1
)
,
(
2
,
2
)
,
(
2
,
5
)
,
(
2
,
8
)
,
(
5
,
8
)
}
\mathbf{R}_1^+ = \{(1, 1), (1, 2), (1, 5), (1, 8), (2, 1), (2, 2), (2, 5), (2, 8), (5, 8)\}
R1+={(1,1),(1,2),(1,5),(1,8),(2,1),(2,2),(2,5),(2,8),(5,8)},
R
1
\mathbf{R_1}
R1 的克林闭包
R
1
∗
=
{
(
1
,
1
)
,
(
1
,
2
)
,
(
1
,
5
)
,
(
1
,
8
)
,
(
2
,
1
)
,
(
2
,
2
)
,
(
2
,
5
)
,
(
2
,
8
)
,
(
5
,
8
)
,
(
5
,
5
)
,
(
8
,
8
)
}
\mathbf{R}_1^* = \{(1, 1), (1, 2), (1, 5), (1, 8), (2, 1), (2, 2), (2, 5), (2, 8), (5, 8), (5, 5), (8, 8)\}
R1∗={(1,1),(1,2),(1,5),(1,8),(2,1),(2,2),(2,5),(2,8),(5,8),(5,5),(8,8)}。
3. 查阅粗糙集上下近似的定义并大致描述.
答:给定一个集合 A \mathbf{A} A ,其无法用知识库中的知识来定义,那么可以通过上下近似来描述它,其下近似集是在 A \mathbf{A} A 内的最大可定义集,其上近似集是包含 A \mathbf{A} A 的最小可定义集。
4. 举例说明你对函数的认识.
答:函数是一种定义域到值域一一对应的关系,通过函数可以去模拟现实世界复杂的变化,比如机器学习当中,模型就可以看作函数,将输入值与输出值一一对应起来,去模拟具体的复杂变化。
5. 自己给定一个矩阵并计算其各种范数.
答:令矩阵 X = [ 1 0 2 − 1 ] \mathbf{X} = \left[\begin{matrix} 1 & 0 \\ 2 & -1 \end{matrix}\right] X=[120−1] , l 0 l_0 l0 范数 ∥ X ∥ 0 = 3 \|\mathbf{X}\|_0 = 3 ∥X∥0=3, l 1 l_1 l1 范数 ∥ X ∥ 1 = 4 \|\mathbf{X}\|_1 = 4 ∥X∥1=4, l 2 l_2 l2 范数 ∥ X ∥ 2 = 6 \|\mathbf{X}\|_2 = \sqrt{6} ∥X∥2=6, l ∞ l_\infty l∞ 范数 ∥ X ∥ ∞ = 2 \|\mathbf{X}\|_\infty = 2 ∥X∥∞=2。
6. 解释 推荐系统: 问题、算法与研究思路 2.1 中的优化目标
min
∑
(
i
,
j
)
∈
Ω
(
f
(
x
i
,
t
j
)
−
r
i
j
)
2
\min \sum_{(i, j) \in \Omega} (f(\mathbf{x}_i, \mathbf{t}_j) - r_{ij})^2
min(i,j)∈Ω∑(f(xi,tj)−rij)2 各符号及含义.
答:上式是求一个最小的均方误差,式中
Ω
\Omega
Ω 是用户与商品的笛卡尔积,
x
i
\mathbf{x_i}
xi 表示用户信息表中第
i
i
i 个用户的信息,
t
j
\mathbf{t_j}
tj 表示商品信息表第
j
j
j 个商品的信息,
f
(
x
i
,
t
j
)
f(\mathbf{x}_i, \mathbf{t}_j)
f(xi,tj) 是第
i
i
i 个用户对第
j
j
j 个商品的预测评分,
r
i
j
r_{ij}
rij 表示第
i
i
i 个用户对第
j
j
j 个商品的实际评分。