跳刀的兔子

摘要： 在开发https应用时，你的测试服务器常常没有一个（有效的）SSL证书。在你的客户端连接测试服务器时，如下的异常会被抛出：”javax.net.ssl.SSLPeerUnverifiedException: peer not authenticated”。我将讨论使用Apache HttpClient时，解决该问题的一种方法（http://hc.apache.org/httpcomponents-client/）。1. 代码片段通常，你会像下面那样来创建HttpClient：this.client = new DefaultHttpClient();我们将需要告诉client使用一个不同的Tr 阅读全文

摘要： 背景知识：非对称加密算法、公钥（public key）和私钥（private key）Keytool是一个Java数据证书的管理工具。keystoreKeytool将密钥（key）和证书（certificates）存在一个称为keystore的文件中在keystore里，包含两种数据：密钥实体（Key entity）——密钥（secret key）又或者是私钥和配对公钥（采用非对称加密）可信任的证书实体（trusted certificate entries）——只包含公钥Alias（别名）每个keystore都关联这一个独一无二的alias，这个alias通常不区分大小写keystore的存 阅读全文

摘要： 一、搭建Java Web服务器环境CATALINA_HOME = D:\Java\apache-tomcat-6.0.14安装完毕，启动Tomcat ，在浏览器上 测试 http://localhost:8080/出现上述界面，表明系统成功搭建。二、使用Java Keytool工具为系统生成HTTPS证书，并为系统注册1. 删除已有C:\Program Files\Java\jdk1.6.0_10\bin>keytool -delete -alias tomcat(随意起的别名) -keystore D:/Java/jdk1.6.0_33/jre/lib/security/cacerts 阅读全文

摘要： 3.3 处理偏好值为空的数据（布尔偏好） 有时推荐引擎中出现偏好值为空的记录。它代表了用户和项目是关联的，但是并没有表现出关联程度。举了例子，一个新闻网站根据用户已阅读内容为用户推荐新闻。“已阅读”使一个用户和一个项目产生了关联，然而这是唯一能够获取的信息。一般网站也不会让用户去给文章做个排序，更不会让用户再做除了阅读之外的其他什么事了。所以我们仅仅知道用户和那些文章关联了，而再也没有其他的内容了。 面对这样的情形，我们别无选择。这里不会有偏好值。后续几章将会依然提供处理如此情形的技术和建议。然而有时我们忽略掉偏好值也未尝不是坏事，只要情形需要。 丢掉用户和项目之间的联系很容易，或者说我... 阅读全文

摘要： 3.2 内存中的数据模型 DataMode是推荐器总输入数据的一种抽象。推荐算法需要用它来实现高效的访问数据。例如，DataModel可以在输入数据中提供一列用户，或者提供与某项目关联的所有偏好值，也或者提供对一个项目集合感兴趣的所有用户ID。本小节精选出一些关于DataModel的API来做一番介绍，这些API可以再官方文档中查阅到详细说明。3.2.1 GenericDataModel GenericDataModel是最简单的数据模型的实现，它是“内存版”的。当你希望在内存中构建你的数据模型时，它比较适合你，而非基于硬盘中的文件和数据库。它所接收的偏好是以FastByIDMap存储用户.. 阅读全文

摘要： 一、推荐的定义 推荐：是一种用户体验的预测模式，采用这个模式发现你原先不知道，并且对你来说是新颖和感兴趣的事物。 推荐引擎算法分两种：找出和你喜好相类似的人，把他们的喜好推荐给你。基于用户（user-base）；根据你已经喜欢的产品，找出其他明显满足你喜好的产品。 协同过滤（CF）产品推荐：主要特点，它是依据用户以往的行为做出推荐，而非兴趣集里各个条目内容的差异，所以CF不需要领域知识，在进行推荐前也不需要对内容进行事先收集和分析；（观其友，知其人） 基于内容推荐：依据产品的某些属性进行推荐。例如：你的朋友推荐你买Manning的书，因为你的朋友喜欢Maning其他的书，你的朋友就是是... 阅读全文

摘要： 1* 最固执的，是一个人的心。 你可以说服所有人，却说服不了自己的心。 你说你要放弃，你说你要忘记， 你说你过得很好，你总是笑颜如花， 连别人都觉得你是真的很开心， 那么你的心呢？ 是真的快乐吗？ 呵呵 没事，自己懂就好。 你很快乐，不是吗？ 2* 好听的话谁都会说， 可是说完之后谁又记得， 谁说谁一直都在， 谁说谁不会离开， 可是现在呢？ 谁在你身边说着不离？ 你又在谁的身边说着不弃？ 诺言之类只有听的人才会记得。 蒲色号一七一一三一五零五零 3* 这个世界上， 有喜欢你的人， 自然也有不喜欢你的人。 可是呢？有多少人在纠结着自己。 爱你... 阅读全文

摘要： 第九章聚类算法9.1 K-means聚类 K-means需要用户设定一个聚类个数（k）作为输入数据，有时k值可能非常大（10,000），这是Mahout闪光的（shines）地方，它确保聚类的可测量性。 为了用k-means达到高质量的聚类，需要估计一个k值。估计k值一种近似的方法是根据你需要的聚类个数。比如100万篇文章，如果平均500篇分为一类，k值可以取2000（1000000/500）。这种估计聚类个数非常模糊，但k-means算法就是生成这种近似的聚类。9.1.1 All you need to know about k-means 下面看一下k-means算法的细节，K-me... 阅读全文

摘要： 第八章 数据准备8.1.2 准备Mahout使用的vector 所有的Vectors都以SequenceFile格式写入，并且被Mahout算法读入。SequenceFile是Hadoop类库按key-value对编码的一种格式。Keys实现WritableComparable，values实现Writable.这两个接口相当于Java的Comparable和Serializable接口。 下面这个例子把Vector的名字或者描述作为key，vector本身作为value。Mahout的Vector类不能实现Writable接口，避免直接与Hadoop挂钩。但是，可以采用VectorWri.. 阅读全文

摘要： 查看原文聚类是机器学习里很重要的一类方法，基本原则是将“性质相似”(这里就有相似的标准问题，比如是基于概率分布模型的相似性又或是基于距离的相似性)的对象尽可能的放在一个Cluster中而不同Cluster中对象尽可能不相似。对聚类算法而言，有三座大山需要爬过去：（1）、a large number of clusters，(2)、a high feature dimensionality，（3）、a large number of data points。在这三种情况下，尤其是三种情况都存在时，聚类的计算代价是非常高的，有时候聚类都无法进行下去，于是出现一种简单而又有效地方法：Canopy M 阅读全文