先序遍历先从二叉树的根开始,然后到左子树,再到右子树;重点记住第一个字母是“根”,出发点是“根”;
中序遍历先从左子树开始,然后到根,再到右子树;重点记住中序遍历的根位置,是在序列的第一个字母和最后一个字母之间,出发点是左子树的最下边的左边的开始;
后续遍历先从左子树开始,然后到右子树,再到根;重点记住最后一个字母是“根”,出发点是左子树最下边的左边。
已知有n个元素进栈,共有多少种出栈顺序?
Catalan数:C(2n,n)/(n+1)
无监督学习
谱聚类,主题模型lda
隐马尔科夫模型(HMM)为生成式模型
二分查找某一长度为n的序列,查找次数为向下取整(log2(n)+1),向上取整(log2(n+1))
F1-score公式
平衡二叉搜索树(Self-balancing binary search tree)又被称为AVL树(有别于AVL算法),且具有以下性质:它是一棵空树或它的左右两个子树的高度差的绝对值不超过1,并且左右两个子树都是一棵平衡二叉树。
基于用户的协同过滤推荐、基于物品的协同过滤推荐都是基于内存的协同过滤推荐,一般在数据量较小的应用场景下,可以直接在线使用的实时推荐方法;
基于模型的协同过滤推荐一般用于离线计算,它采用机器学习的方法,一般首相将用户偏好行为数据分成2个数据集(有时可能会将数据集分成k个子集,采用交叉验证的方式来提高模型精度),一个为训练集,一个为测试集,使用训练集数据来训练出推荐模型,然后使用测试集数据来评估模型的精度,当满足特定精度时,可以将得到的推荐模型应用于实际线上环境;
混合协同过滤推荐,是综合基于内存的协同过滤(基于用户的协同过滤推荐、基于物品的协同过滤推荐)、基于模型的协同过滤推荐这两类方法,克服每一种协同过滤方法本身的缺点,比如基于内存的协同过滤推荐方法不适用于大量数据的推荐应用场景,而基于模型的协同过滤推荐方法由于所基于的数据多是大量历史记录,训练模型时间较长,它不适用于在线推荐场景,综合各种协同过滤推荐方法,取长补短,这样的推荐方法更适合实际复杂的推荐需求。
HMM是典型的有向图模型,CRF是典型的无向图模型