论文写作数学表达式学习第二天

4.6作业

原文链接
1.令 A = { 1 , 2 , 5 , 8 , 9 } \mathbf{A} = \{1, 2, 5, 8, 9\} A={1,2,5,8,9}, 写出 $\mathbf{A}$ “模 2 同余” 关系及相应的划分.
R = { < a , b > ∈ R ∣ a m o d    2 = b m o d    2 } \mathbf{R} = \{<a, b> \in \mathbb{R} \vert a \mod 2 = b \mod 2\} R={<a,b>∈R∣amod2=bmod2}.
R = { { 1 , 5 } , { 1 , 9 } , { 5 , 9 } , { 2 , 8 } } \mathbf{R} =\{\{1, 5\},\{1, 9\}, \{5, 9\},\{2, 8\}\} R={{1,5},{1,9},{5,9},{2,8}}
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${\mathbf{R}}_1$ 和 ${\mathbf{R}}_2$ , 并计算${\mathbf{R}}_1{\mathbf{R}}_2$ , ${\mathbf{R}}_1^{+}$, ${\mathbf{R}}_1^{\ast }$.
R 1 = { ( 1 , 5 ) , ( 5 , 8 ) } , R 2 = { ( 5 , 9 ) , ( 2 , 8 ) } \mathbf{R_1}=\{(1,5),(5,8)\},\mathbf{R_2}=\{(5,9),(2,8)\} R1​={(1,5),(5,8)},R2​={(5,9),(2,8)}
R 1 R 2 = { ( 1 , 9 ) } \mathbf{R_1}\mathbf{R_2}=\{(1,9)\} R1​R2​={(1,9)}
正闭包: ${\mathbf{R}}^{+}={\bigcup }_{i=1}^{|\mathbf{A}|}{\mathbf{R}}^{\mathbf{i}}$
R 1 + = { ( 1 , 5 ) , ( 1 , 8 ) , ( 5 , 8 ) } \mathbf{R_1^+}=\{(1,5),(1,8),(5,8)\} R1+​={(1,5),(1,8),(5,8)}
克林闭包: ${\mathbf{R}}^{\ast }={\mathbf{R}}^{+}\cup {\mathbf{A}}^0$, 其中 A 0 = { ( x , x ) ∣ x ∈ A } \mathbf{A}^0 = \{(x, x) \vert x \in A\} A0={(x,x)∣x∈A}
R 1 ∗ = { ( 1 , 5 ) , ( 1 , 8 ) , ( 5 , 8 ) , ( 1 , 1 ) , ( 2 , 2 ) , ( 5 , 5 ) , ( 8 , 8 ) , ( 9 , 9 ) } \mathbf{R_1^ *}=\{(1,5),(1,8),(5,8),(1,1),(2,2),(5,5),(8,8),(9,9)\} R1∗​={(1,5),(1,8),(5,8),(1,1),(2,2),(5,5),(8,8),(9,9)}
3.查阅粗糙集上下近似的定义并大致描述.
下面讨论上下近似的概念。假设给定了一个$\mathbf{A}$上的子集合 X = { x 2 , x 5 , x 7 } \mathbf{X}=\{x2,x5,x7\} X={x2,x5,x7}，那么用知识库中的知识应该怎样描述它呢？无论是单属性知识还是由几个知识进行交、并运算合成的知识，都不能得到这个新的集合X，也就是在所有的现有知识里面找出跟他最像的两个一个作为下近似，一个作为上近似。可以选择“蓝色的大方块或者蓝色的小圆形”这个概念： { x 5 , x 7 } \{x5,x7\} {x5,x7}作为$\mathbf{X}$的下近似。选择“三角形或者蓝色的” { x 1 , x 2 , x 5 , x 7 , x 8 } \{x1,x2,x5,x7,x8\} {x1,x2,x5,x7,x8}作为上近似，值得注意的是，下近似集是在那些所有的包含于$\mathbf{X}$的知识库中的集合中求交得到的，而上近似则是将那些包含$\mathbf{X}$的知识库中的集合求并得到的。

​5.5 作业

原文链接
举例说明你对函数的认识.
从英语原词function来理解，函数就是一个实现某种功能的工具（盒子），用图表示会更加直观：

6.5 作业

原文链接
自己给定一个矩阵并计算其各种范数
对于矩阵：
$\left[\begin{array}{ll}1& 1\\ 2& 2\end{array}\right]$
$l_0范数：||\mathbf{X}|{|}_0=4$. 语义: 非零项个数.
$l_1范数:||\mathbf{X}1|{|}_1=1+1+2+2=6$. 语义: 绝对值之和,常用于计算绝对误差.
$l_2范数:||\mathbf{X}1|{|}_2=\sqrt{1^2+1^2+2^2+2^2}=3.162$. 语义: 平方和,常用于计算平方误差.

7.3 作业

原文链接
解释 推荐系统: 问题、算法与研究思路 2.1 中的优化目标
$\min \sum _{(i,j)\in \Omega }(f({\mathbf{x}}_i,{\mathbf{t}}_j)-r_{ij}{)}^2$
各符号及含义.
${\mathbf{x}}_i$ 表示用户$i$ 的信息，${\mathbf{t}}_j$表示商品$j$的信息，$r_{ij}$ 表示用户$i$ 对商品$j$的浏览情况，$r_{ij}$​=0表示浏览过，$r_{ij}$=1表示未浏览过，$n$个用户对$m$个商品的浏览情况组成评分表$\mathbf{R}=(r_{ij}{)}_{n\times m}$,$\Omega$代表评分表$\mathbf{R}$中非零元素对应的位置集合，函数$f:R^{d_u}\times R^{d_t}\to R$为要学习的目标。
优化目标为最小化训练集上的 MSE，使得$f({\mathbf{x}}_i,{\mathbf{t}}_j)$与$r_{ij}$平均差距尽可能小，学习到能够根据用户和商品信息来预测浏览情况的函数，为用户推荐喜欢的商品。

​