摘要：
推荐系统的用户行为分为显性反馈和隐性反馈 ，显性反馈数据集可以明确区分正负样本（如评分数据）；隐性反馈数据集只有正样本（用户喜欢什么），没有负样本（用户不喜欢什么）。 隐性反馈数据集上生成负样本的方法： （1）对于一个用户，用他所有没有过行为的物品作为负样本。 （2）对于一个用户，从他没有过行为的物 阅读全文
摘要：
给定一个二叉树, 找到该树中两个指定节点的最近公共祖先。 百度百科中最近公共祖先的定义为：“对于有根树 T 的两个结点 p、q，最近公共祖先表示为一个结点 x，满足 x 是 p、q 的祖先且 x 的深度尽可能大（一个节点也可以是它自己的祖先）。” 阅读全文
摘要：
sort(a,a+n); bool comp(const int &a,const int &b) { return a>b; } bool Comp(const P &a1,const P &a2) { return a1.w<a2.w;//从小到大 } //对vector排序 sort(v.be 阅读全文
摘要：
vector 初始化 （1）vector<int> a(10); //定义了10个整型元素的向量（尖括号中为元素类型名，它可以是任何合法的数据类型），但没有给出初值，其值是不确定的。 （2）vector<int> a(10,1); //定义了10个整型元素的向量,且给出每个元素的初值为1 （3）ve 阅读全文
摘要：
SGD 权重更新公式 \[W \leftarrow W - \eta \frac{{\partial L}}{W}\] SGD的缺点 学习率的设置非常需要技巧，学习率设置的过大，容易跳过最优点，学习率设的过小，又容易困于局部最优或鞍点，所以一般要设置一个随着训练批次衰减的学习率 所以特征的学习率都一 阅读全文
摘要：
BGD每次迭代都用了所有的样本，每一轮都是朝着极小值方向更新的，当函数只有一个极小值点时BGD能过够比较快的收敛的全局最优，当函数有多个极小值点时BGD容易陷入局部最优，而且当数据量很大时BDG需要消耗大量的内存，计算代价也会很高。SGD每次只用小批量的数据来计算，内存消耗小，计算代价也更低，而且S 阅读全文
摘要：
一. 基于用户的协同过滤 算法思想： 当给用户A做个性化推荐时，先找到和他兴趣相似的用户，然后把这些用户喜欢的、而用户A没有听说过的物品推荐给A 。 算法步骤： (1) 找到和目标用户兴趣相似的用户集合。(2) 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。 用户相似度计算公 阅读全文
摘要：
参考博客 https://blog.csdn.net/strivenoend/article/details/79842836 注意：把 git remote add origin git@github.com:wangjiax9/beautifulDay.git 换成 git clone git@ 阅读全文
摘要：
余弦相似度和欧式距离的区别 1. 计算公式 余弦相似度： \[\cos \left( {A,B} \right) = \frac{{A \cdot B}}{{{{\left\| A \right\|}_2}{{\left\| B \right\|}_2}}} = \frac{{\sum\limits 阅读全文
摘要：
TF-IDF（term frequency–inverse document frequency，词频-逆向文件频率）是一种用于信息检索（information retrieval）与文本挖掘（text mining）的常用加权技术。 TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语 阅读全文