- 博客(105)
- 资源 (2)
- 收藏
- 关注
原创 Matrix factorization techniques for recommender systems,Yehuda Koren et al.,2009
文章名称:Matrix factorization techniques for recommender systems作者:Yehuda Koren, Robert Bell, Chris Volinsky期刊:Computer年份:2009卷:42期:8页码:30–37DOI:https://doi.org/10.1109/MC.200
2022-05-21 09:55:35 1007
原创 基于项目的Top-N推荐算法(Item-Based Top-N Recommendation Algorithms,Mukund Deshpande and George Karypis,2004)
这是一篇论文学习笔记。中文题目:基于项目的 Top-N 推荐算法原文题目:Item-Based Top-N Recommendation Algorithms作者:Mukund Deshpande,George Karypis时间:2004期刊:ACM Transactions on Information Systems(TOIS)DOI:https://doi.org/10.1145/963770.963776
2022-05-17 20:28:43 1077
原创 试验数据误差的统计假设检验
文章首先介绍了随机误差的检验,包括卡方检验、F 检验。接着介绍了系统误差的检验,包括 t 检验、秩和检验。最后介绍了异常值的检验,适用于数据量小的拉依达检验法、格拉布斯检验法、狄克逊检验法。
2022-04-13 22:23:55 2269 2
原创 试验数据的精准度
介绍了试验数据的精准度,包括精密度(precision)、正确度(correctness)和准确度(accuracy)以及如何判断给定条件下三者的大小比较。
2022-04-12 16:11:15 1635
原创 误差的基本概念
首先介绍了误差的概念、定义。接着介绍了绝对误差、相对误差、算术平均误差和标准误差的定义。最后介绍了误差的分类,随机误差、系统误差和过失误差。
2022-04-12 15:33:33 3618
原创 古典概型例题
【例1】一部四册的文集按任意次序放到书架上去,问各册自右向左或自左向右恰成 1,2,3,4 的顺序(用 表示)的概率是多少?解 此随机试验的结果是四本书在书架上的一种放法,而每一种放法对应于 1,2,3,4 的一种排列。也即是说 1,2,3,4 四部文册之间是有顺序的。因此试验的样本点总数就是四部文册的一个全排列,为 .由于文集按照“任意的”次序放到书架上去,因此每一种放法或...
2022-04-03 17:35:19 8895 1
原创 概率的定义及其经典
概率《概率论与数理统计》(第二版)李小明 谢祥俊 刘建兴 著高等教育出版社 出版一、概率的定义由于随机事件的发生与否在一次观察中完全呈现出一种偶然性,因此研究随机事件,就必须对其进行大量重复的试验或观察,以研究它所呈现的规律。若随机事件在次试验中发生了次,则称 ...
2022-04-03 17:34:22 1039
原创 推荐系统的因果关系感知邻域方法:Causality-Aware Neighborhood Methods for Recommender Systems(ECIR,2021)
将因果推断(Causal Inference)中的匹配估计器(Matching Estimator)和邻域方法(Neighborhood Methods)进行结合,提出了一种推荐系统因果关系感知的邻域方法。Sato, M., Singh, J., Takemori, S., Zhang, Q. Causality-Aware Neighborhood Methods for Recommender Systems. In Proceedings of the European Conferenc
2022-04-03 16:05:24 1195
原创 推荐系统的因果推断:Causal Inference for Recommender Systems(RecSys,2020)
推荐系统,因果推断,推荐系统的因果推断,去混杂推荐器
2022-03-29 20:20:27 3468 12
原创 消费者理论:消费集与偏好关系
高级微观经济学中的消费者理论部分,涉及的消费集与偏好关系。什么是消费集?什么是无差异曲线?什么是边际替代率(MRS)?
2022-01-04 10:05:44 1453
原创 LaTeX 使用心得:节标题(section)中使用数学符号
如何在 LaTeX 的节标题(section、subsection 等)中使用数学符号
2021-09-24 17:04:23 16480 6
原创 计算机网络基础知识(复习)
文章目录第一部分第二部分第三部分第四部分第一部分最常用的两种多路复用技术为 时分复用 TDM‾\underline{\textbf{时分复用 TDM}}时分复用 TDM 和 频分复用 FDM‾\underline{\textbf{频分复用 FDM}}频分复用 FDM,其中,前者将一条物理信道按时间分成若干个时间片轮流分配给多个信号使用,而后者是在一条物理线路设计多路通信信道,每路信道的信号以不同的载波频率进行调制。网络协议的三要素:语法、语义和 时序(同步
2021-06-13 00:31:15 830 6
原创 高等数学笔记:前奏
目录引入引入问题 ①:limn→∞(1n2+n+1+2n2+n+2+⋯+nn2+n+n)=?\lim_{n \rightarrow \infty} \left( \frac{1}{n^2+n+1}+\frac{2}{n^2+n+2}+\dots+\frac{n}{n^2+n+n} \right)=?n→∞lim(n2+n+11+n2+n+22+⋯+n2+n+nn)=?解答 ①:令xn=(1n2+n+1+2n2+n+2+⋯+nn2+n+n),x_n = \left( \frac{
2021-06-09 23:56:49 160
原创 ROG 570-E 主板问题:主板发出1长2短的滴滴声,黄灯常亮
文章目录问题描述新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入问题描述你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Mar
2021-06-01 14:44:03 6183 2
原创 算法题:将一维数组中的非零元素移动到数组前端(后端)
文章目录1. 题目1.1. 输入1.2. 输出2. 算法一2.1. 分析2.2. 代码2.3. 结果3. 算法二3.1. 分析3.2. 代码3.3. 结果4. 非零元素移动到数组后端1. 题目现有一个一维数组 a=[1,0,2,7,0,0,0,5,0,−3]a = [1, 0, 2, 7, 0, 0, 0, 5, 0, -3]a=[1,0,2,7,0,0,0,5,0,−3],你需要将数组中非零元素移动到数组的前端,零元素在数组的后端。1.1. 输入一个一维数组 a=[1,0,2,7,0,0,0,5,
2021-04-30 09:31:56 980 4
原创 有感
文章目录座右铭致过去的自己致现在的自己致未来的自己座右铭有志者,事竟成,破釜沉舟,百二秦关终属楚。苦心人,天不负,卧薪尝胆,三千越甲可吞吴。致过去的自己不要沉浸在过去所取得的成就之中。致现在的自己一切从零开始。致未来的自己感谢曾经努力的自己。...
2021-04-20 20:35:15 109 4
原创 Java:自定义二叉树节点
文章目录类属性Setter 方法Getter 方法构造器源码类BinTreeNode,是二叉树中的节点。public class BinTreeNode<E>{}属性每个节点包含一个存储值的值域(泛型),一个指向左孩子的引用,一个指向右孩子的引用。并将属性设置为私有的(private),提供 getter 和 setter 方法。// 值域private E value;// 指向左孩子的引用private BinTreeNode<E> left;/
2021-04-10 19:20:44 478
原创 复合函数求导法则
uuu 和 vvv 都是关于自变量 xxx 的函数。加减形式:[u±v]′=u′±v′\left[ u \pm v \right]' = u' \pm v'[u±v]′=u′±v′相乘形式:[uv]′=u′v+uv′\left[ u v \right]' = u' v + uv'[uv]′=u′v+uv′相除形式:(uv)′=u′v−uv′v2\left( \frac{u}{v} \right)' = \frac{u'v - uv'}{v^2}(vu)′=v2u′v−uv′.
2021-02-24 19:45:53 1984
原创 非线性规划之分式规划
文章目录1. 分式规划例子2. 分式规划例题1. 分式规划例子在数学规划问题中,若目标函数为分式函数,且约束条件中的函数是线性的,则称线性规划分式规划,简称分式规划。分式规划通常可表示为如下形式:minpTx+αqTx+βs.t.{Ax≤b,x≥0.\min \frac{\bm{p}^\text{T}\bm{x} + \alpha}{\bm{q}^\text{T}\bm{x} + \beta} \\\text{s.t.}\begin{cases}\bm{Ax} \leq \bm{b}, \
2021-02-22 14:36:35 4847 2
原创 线性规划建模--基础篇
文章目录1. 题目2. 分析1. 题目2. 分析设每周生产的产品甲为 x1x_1x1,生产的产品乙为 x2x_2x2。则每周两种产品的销售金额为 7x1+9x27x_1 + 9x_27x1+9x2;生产甲、乙两种产品,生产线一消耗资源的成本为 x1x_1x1,生产线二消耗资源的成本为 2x22x_22x2,生产线三消耗资源的成本为 3x1+2x23x_1 + 2x_23x1+2x2,总消耗的资源成本为 4x1+4x24x_1 + 4x_24x1+4x2...
2021-01-17 22:41:03 964 1
原创 线性规划原问题与对偶问题
文章目录1. 对偶问题2. 原问题和对偶问题的对应关系3. 举例参考1. 对偶问题任一线性规划问题都存在另一与之伴随的线性规划问题,它们组成一对互为对偶的线性规划问题。线性规划的对偶问题与原问题互为对偶,线性规划的原问题与对偶问题地位具有对称关系。2. 原问题和对偶问题的对应关系3. 举例原问题:maxz=cxs.t. {Ax≤bx≥0\max z = \bm{cx} \\\text{s.t. }\left\lbrace\begin{array}{ll}\bm{Ax}
2021-01-05 20:50:08 5932 2
原创 拉普拉斯矩阵(Laplacian Matrix)
文章目录1. 无向加权图 GGG2. 邻接矩阵 WWW3. 度矩阵 DDD4. 拉普拉斯矩阵 LLL1. 无向加权图 GGG图 GGG,一般用顶点集 VVV 和顶点之间的边集 EEE 表示,G=(V,E).G=(V,E).G=(V,E).其中,V={v1,v2,…,vn}V=\{v_1,v_2, \dots, v_n\}V={v1,v2,…,vn},E={⟨vi,vj⟩∣i,j=[1 .. n]}E=\{\langle v_i, v_j \rangle \mid i,
2020-12-28 20:59:30 3180 5
原创 论文中常见的缩写
文章目录1. 常见缩写1. 常见缩写缩写全称含义w.r.t.with respect to关于s.t.subject to满足,服从e.g.exempli gratia拉丁语,例如、举例,和 “for example” 一个意思i.e.phrase id est拉丁语,即、 换句话说,和 “that is to say” 或 “in other words” 一个意思...
2020-12-22 15:09:27 3512
原创 Numpy 中复制矩阵并使其扩充的方法:numpy.tile()
文章目录1. 方法2. 示例2.1 示例1:a 是向量2.2 示例 2:A 是矩阵3. 参考1. 方法注意:import numpy as np方法名:tile功能:对 numpy 矩阵进行复制并使其扩充参数:第一个参数是要进行扩展的数据;参数:第二个参数是要扩展的维度。2. 示例2.1 示例1:a 是向量a 是一个列向量,有 4 个元素,维度是 (4, 1)a = np.array([1, 2, 3, 4])a = a.reshape(len(a), 1)对 a 进
2020-12-21 15:30:30 10883
原创 论文阅读报告:Feature Selection for Multi-label Classification Using Neighborhood Preservation,Zhiling Cai
文章目录1. 论文出处2. 预备知识2.1 相似性保持特征选择(Similarity Preserving Feature Selection)2.2 多标签3. 论文内容3.1 NRPS3.2 FNRPS3.3 GNRPS4. DOI1. 论文出处Feature Selection for Multi-label Classification Using Neighborhood PreservationZhiling Cai and William ZhuIEEE/CAA JOURNAL OF
2020-12-17 21:59:54 548 2
原创 论文阅读报告:ReliefF for Multi-label Feature Selection,Newton Spolaˆor, 2013
文章目录1. 多标签知识1.1 多标签数据(Multi-label data)1.2 差异函数(Dissimilarity function)2. 算法3. 原文1. 多标签知识1.1 多标签数据(Multi-label data)其中:DDD 是多标签数据集;XjX_jXj 是第 jjj 个特征(属性),j=1,2,…,Mj=1,2,\dots,Mj=1,2,…,M;xi=(xi1,xi2,…,xiM)\bm{x}_i = (x_{i1},x_{i2}, \dots, x_{iM})xi
2020-12-16 18:56:51 617 2
java 机器学习 weka.jar
2020-09-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人