摘要： 1. 谱聚类 给你博客园上若干个博客，让你将它们分成K类，你会怎样做？想必有很多方法，本文要介绍的是其中的一种——谱聚类。 聚类的直观解释是根据样本间相似度，将它们分成不同组。谱聚类的思想是将样本看作顶点，样本间的相似度看作带权的边，从而将聚类问题转为图分割问题：找到一种图分割的方法使得连接不同组的边的权重尽可能低（这意味着组间相似度要尽可能低），组内的边的权重尽可能高（这意味着组内相似度要尽可能高）。将上面的例子代入就是将每一个博客当作图上的一个顶点，然后根据相似度将这些顶点连起来，最后进行分割。分割后还连在一起的顶点就是同一类了。更具体的例子如下图所示：在上图中，一共有6个顶点（博客），顶 阅读全文

摘要： 1. SVD简介假如要预测Zero君对一部电影M的评分，而手上只有Zero君对若干部电影的评分和风炎君对若干部电影的评分（包含M的评分）。那么能预测出Zero君对M的评分吗？答案显然是能。最简单的方法就是直接将预测分定为平均分。不过这时的准确度就难说了。本文将介绍一种比这个最简单的方法要准上许多，并且也不算复杂的算法。 SVD(Singular Value Decomposition)的想法是根据已有的评分情况，分析出评分者对各个因子的喜好程度以及电影包含各个因子的程度，最后再反过来根据分析结果预测评分。电影中的因子可以理解成这些东西：电影的搞笑程度，电影的爱情爱得死去活来的程度，电影的恐怖程 阅读全文

摘要： 刚进博客园就在《一道面试附加题的另类求解》看到一道有趣的题，正好，偶对这题也有一些想法，因此写来分享下。题目如下：先来看第一个条件，不可用除法。要满足这个条件倒是很简单：令forward[i] = a[0] * a[1] *... * a[i]; backward[i] = a[i] * a[i+1] *...* a[N];那么b[i] = forward[i-1] * backward[i+1];在此基础上，我们再来看一下第2个条件，时间复杂度为0(N)，空间复杂度为O(1)。先将forward和backward数组的值算出，然后才算b数组的值虽然可以满足时间的要求，但空间要求却满足不了。因 阅读全文

摘要： 1. 动机 关注漫画的人肯定会发现漫画的更新时间差异非常大：有的一个星期更新一集，有的一个月更新一集，有的一季度更新一集。如果关注的是日本漫画，并且不会日文，那么更新后的漫画还要等待汉化组翻译成中文才能看。这一等，少则几小时，多则几个星期。 等得多了，就会产生这样一种想法：如果漫画更新后能通知我就好了。有的漫画网站抓住了这种想法，增加了关注的漫画更新后就发邮件通知的功能。但是，对于不经常查看邮箱的人来说，这种功能并没有多大帮助。于是，就有了进一步的想法：如果关注的漫画更新后，就立刻下载到我的电脑上，并且弹出提示框就好了。根据这个想法形成的工具正是tracker。因而它的核心功能就是追踪漫画—— 阅读全文

摘要： 1. larbin简介(百度百科) larbin是一种开源的网络爬虫/网络蜘蛛，由法国的年轻人Sébastien Ailleret独立开发，用c++语言实现。larbin目的是能够跟踪页面的url进行扩展的抓取，最后为搜索引擎提供广泛的数据来源。 Larbin只是一个爬虫，也就是说larbin只抓取网页，至于如何parse的事情则由用户自己完成。另外，如何存储到数据库以及建立索引的事情 larbin也不提供。　latbin最初的设计也是依据设计简单但是高度可配置性的原则，因此我们可以看到，一个简单的larbin的爬虫可以每天获取500万的网页，实在是非常高效。　利用larbin，我们 阅读全文

摘要： 欣赏完《编程之美》里面的巧妙解法后，我们不妨来思考下作者是怎样想到这些解法的。因为比起理解怎么做，弄清楚为什么那样想更有趣，不是吗？作者提出一个简单的解法后，总能找出一个优化方法。我认为其中的关键是联想。只要能从中联想到正确的知识，优化方法也就得到了，不是吗？ 联想到正确的知识需要经验（知识）和方法。经验很重要，但方法也同样重要。以下是一些有助于联想的方法。抽象 抽象就是从问题中提取有用的，本质的特征，然后将问题用一个简洁但包含同样信息的模型表示出来。复杂的问题经抽象后，可能会变成一个简单的问题，也可能会变成一个曾经遇到的问题，当然也可能仍然是复杂的问题。不管抽象后得到的结果是哪一种，看着抽象 阅读全文

摘要： 1. 五笔反查工具 也许你会说，反查什么的，直接一个MAP容器就搞定了，有什么好说的。的确，最简单的就是这样。但即使是这样，还要准备字，五笔码，字根图，以及它们的对应关系。而这些在网上是没有现成的，也就是说要自己准备。我准备的方法是写个小爬虫，到一个五笔反查网站上将这些东西一并弄下来（具体可参考上一篇文章)。准备好最重要的部分后，如果还要弄得像样一点，就要再花一番功夫。所以说，还是有点东西写的。 先放几张图，再来分享做这东西时遇到的难点。2. 字根图 一共有6763张字根图，如果直接发布，显然不美观。因此有必要打包下，再发布。可惜的是，在网上没找到合适的打包工具（如果知道，还请告诉偶一下> 阅读全文

摘要： 1. 目的 用五笔时，如果碰到不会拆的字，只好换回拼音。但这样做治标不治本，于是到网上找五笔反查工具。最后发现一个不错的网站——不仅有每个字对应的五笔码，还有其字根图。可惜的是，这是一个网站。换句说，就是每次查的时候都要上网。很自然的，会想到将这个网站上的五笔码以及对应的字根图保存到本地上，再写个查询程序做成本地版的>_<2. 准备工作——网页特点分析 网站（http://www.wb86.com/wbcx）提供了两种查询方式：一种是输入要查询的字；另外一种是一页接着一页地查看。由于懒得找字库，就选择了第二种方式。在此方式下，第一页的URL是http://www.wb86.com/ 阅读全文

摘要： 1. 前言这系列的文章主要讲述2006年评出的数据挖掘10大算法（见图1）。文章的重点将偏向于算法的来源以及算法的主要思想，不涉及具体的实现。如果发现文中有错，希望各位指出来，一起讨论。 图1 来自IDMer的文章 在这些算法中，最引人注目的自然是Google的核心技术之一——PageRank。因此本系列就先来探索PageRank的诞生过程。2. 核心思想 常言道，看一个人怎样，看他有什么朋友就知道了。也就是说，一个人有着越多牛X朋友的人，他是牛X的概率就越大。将这个知识迁移到网页上就是“被越多优质的网页所指的网页，它是优质的概率就越大”。PageRank的核心思想就是上述简单却有效的观点。. 阅读全文

摘要： 近段时间在做PSO算法的优化，在测试性能时要使用CEC05的数据集。但这个数据集提供的测试函数接口十分蛋疼：以条件编译来区分一大堆同名同参数的函数。就像这样：int a;#define f1//#define f2#ifdef f1a = XX;double function()#endif#ifdef f2a = YY;double function()#endif 在上面的例子中，如果要运行F2函数，就要把#define f1注释掉，并取消#define f2的注释，然后编译运行。但在CEC05中，这样的函数共有25个。也就是说，进行一轮完整的测试就要手动这个过程25次。况且，肯定不止进行 阅读全文