目录 ML相关：偏差方差、先验后验、生成判别、流程、信息论、SVM、决策树 DL相关：激活函数、正则化、范数、optimizer、CNN、RNN、TCN、seq2seq about：mobilenet、CRNN、无人驾驶、cuda scatter：散件ML相关偏差Bias和方差Variance偏差与方差分别是用于衡量一个模型泛化误差的两个方面，在监督学习中，模型的 泛化误差可分解为偏差、方差与噪声
转载
2024-05-18 14:16:54
321阅读
推荐大体上可以分为两种：非定制化推荐 和 定制化推荐。非定制化推荐 即 什么热门推荐什么，什么被浏览、购买得多就推荐什么。所谓的“热门”即是经过大数据统计而得来的，所以非定制化推荐可以说是一种基于统计学推荐。定制化推荐 即 个性化推荐，针对不同用户的历史行为记录中分析用户对产品的偏好，猜测用户喜欢什么，从而进行推荐。非定制化推荐的弊端很明显，热门产品并不总是每个用户喜欢的，可应用的场景也相对较少。
转载
2023-12-26 22:04:26
133阅读
帖子的热度就是分数， 不同网站分数记录公式： P是关注数，T是帖子发布到现在的时间间隔，按小时计。G是系数，1.5,1.8…-1，+2这些都是经验值。log的作用是使得前期的评论、赞、收藏 占比更高，而不是后期。分数是和发布时间成反比的。通常启动一个定时任务来算分数（半个小时、一个小时），算完一回，热门的帖子会保持这段时间内的稳定，过段时间会在刷新一遍。先把评论、赞、收藏 产生变化 的帖子丢进缓存
文章目录前言一、 创建一个新的索引模板二、 查看索引模板1、 查看所有模板2、 查看指定的模板3、 模糊匹配4、 批量查询三、 删除指定模板四、修改模板(相当于整体替换，重置)五、根据索引模板创建索引 前言首先这里是关于ES2中对于索引模板的操作记录，对于es6及以上对于索引模板的操作和结构可以看下面的的链接elastic中es6教程关于索引模板的部分一、 创建一个新的索引模板put _tem
转载
2024-03-26 10:08:09
42阅读
# Java小说热度推荐算法实现指南
在当今的数字社会中，图书推荐系统变得愈发重要。尤其对于小说类应用，一个好的热度推荐算法可以帮助用户找到他们感兴趣的书籍。本文将指导你实现一个简单的“小说热度推荐算法”，并通过步骤和代码来展示具体实现。
## 整体流程
以下是实现推荐算法的基本步骤：
| 步骤 | 描述 |
|------|------|
| 1. 数据收集 | 收集小说数据，包括标题、
引言 当移动台移动时，接收信号衰落的具体类型由传输方案和信道特点决定。传输方案由信号的参数确定，如信号带宽和符号周期。无线信道的特点由两种不同的信道参数描述，它们是多径时延扩展和多普勒扩展。多径时延扩展和多普勒扩展分别引起时间色散效应和频率色散效应，根据时间色散的程度或频率色散的程度，它们将分别引起频率选择性衰落或时间选择性衰落。频率选择性衰落多
转载
2024-03-18 08:31:34
335阅读
运营了一个模版下载网站，之前根据查看详情、下载、收藏等交互维护了模版的热度，但是发现并不是很“人性化”，因为点击的越多的模版永远霸榜了，一些其他的优质模版几乎很难再出现在首页，所以打算更换算法，可以更加人性化的展示真正的优质模版～算法选择 基于Hac
转载
2023-10-20 16:39:12
57阅读
Mahout中主要核心的三大算法为推荐，聚类及分类算法，今天就最基本的推荐算法做总结，推荐中常用的两个推荐算法是”user_based”和”item_based”，前者主要通过和你兴趣相似的人来发现新的你感兴趣的东西，而后者则是发现一些和你所喜欢的事物相似的事物。此外，还有一种基于“contend_based”的推荐算法，它是根据事物所拥有的元数据出现进行事物的推荐，例如，如果你喜欢的电影是斯皮
转载
2023-12-27 12:41:46
57阅读
标签在我们日常生活中很常见，打标签作为一种重要的用户行为，蕴含了很多用户兴趣信息，因此深入研究和利用用户打标签的行为可以很好地指导我们改进个性化推荐系统的推荐质量。举个例子，下图是酷我音乐的标签，有了标签，用户可以快速找到自己感兴趣的歌，同时酷我也可以通过用户经常使用的标签，更精确的为用户推荐感兴趣的歌曲 原理当拿到了用户
转载
2024-01-16 20:55:58
110阅读
每个人都会有这样的经历：当你在电商网站购物时，你会看到天猫给你弹出的“和你买了同样物品的人还买了XXX”的信息；当你在SNS社交网站闲逛时，也会看到弹出的“你可能认识XXX“的信息；你在微博添加关注人时，也会看到“你可能对XXX也感兴趣”；等等。所有这一切，都是背后的推荐算法运作的结果。最经典的关联规则算法是大名鼎鼎的Apriori算法，源自一个超市购物篮的故事：啤酒总是和尿布一起被购
转载
2018-03-01 18:31:00
165阅读
在处理时间序列预测问任务时，损失函数的选择非常重要，因为它会驱动算法的学习过程。以往的工作提出了不同的损失函数，以解决数据存在偏差、需要长期预测、存在多重共线性特征等问题。本文工作总结了常用的的 14 个损失函数并对它们的优缺点进行分析，这些损失函数已被证明在不同领域提供了最先进的结果。 时间序列数据与一般基于回归的数据略有不同，因为在特征中添加了时间信息，使目标更加复杂。时间序列
1介绍基于推荐系统（3）-基于标签的推荐系统的学习。2基于标签的推荐系统意义可解决冷启动问题：新用户APP下载后，选取感兴趣的关注标签，系统可自动推送筛选。 例如： 豆瓣的电影标签、书籍标签； 网易云音乐的音乐标签； bilibili视频标签； 抖音等短视频APP；3数据标注与关键词提取关键词是指能够反映文本语料主题的词语或短语。在不同的业务场景中，词语和短语具有不同的意义。例如： 从电商网站商品
转载
2024-01-12 22:18:38
229阅读
资料目录：目 录Recommender Systems Handbook,Second Edition出版者的话推荐序一推荐序二推荐序三译者序前言译者简介第1章 推荐系统：简介和挑战11.1 简介11.2 推荐系统的功能31.3 数据和知识来源51.4 推荐技术71.5 推荐系统评估101.6 推荐系统应用111.7 推荐系统与人机交互131.8 高级话题141.9 挑战161.9.1 偏好获取与
转载
2023-08-25 17:22:10
40阅读
1.引言 信息大爆炸时代来临，用户在面对大量的信息时无法从中迅速获得对自己真正有用的信息。传统的搜索系统需要用户提供明确需求，从用户提供的需求信息出发，继而给用户展现信息，无法针对不同用户的兴趣爱好提供相应的信息反馈服务。推荐系统相比于搜索系统，不需要提供明确需求，便可以为每个用户实现个性化推荐结果，让每个用户更便捷地获取信息。它是根据用户的兴趣
转载
2023-10-16 13:01:44
0阅读
# 热度图算法实现指南
在这篇文章中，我将指导你如何在Java中实现一个简单的热度图（Heatmap）算法。热度图通常用于可视化数据的集中性，通过颜色的深浅表达不同区域的数据强度。这可以广泛应用于地理数据、用户交互分析等多个领域。
## 总体流程
首先，我们来看一下实现热度图的整体流程，以下是整个过程的步骤表：
| 步骤 | 描述
实验结[x] = 0 rank[root] = 1 for k in range(max_step): print str
原创
2023-06-14 18:16:52
193阅读
天线理论中的中重要公式，Friis Transmission Equation。描述了电磁波在自由空间传播过程中的信号传播衰减情况。 这个公式并不能说明，信号频率越高（波长越短），信号衰减越大。因为频率越高，接收天线面积越小，接收到（接触到）的信号能量也就越小。 其实空间中高频低频信号能量分布密度是一样的。 • Pt是发射机的功率，Pr是接收机处的功率, • Gt是发射机的天线增益，Gr是接收机的
“无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，的推荐方法...
原创
2022-09-09 00:40:12
675阅读
一.简介 协同过滤算法【Collaborative Filtering Recommendation】算法是最经典、最常用的推荐算法。该算法通过分析用户兴趣，在用户群中找到指定用户的相似用户，综合这些相似用户对某一信息的评价，形成系统关于该指定用户对此信息的喜好程度预测。二.步骤 1.收集用户偏好。 2.找到相似的用户或物品。 3.计算推荐。三.用户评分 从用户的行为和偏好中发现规律，并
转载
2023-11-25 19:57:28
283阅读
一、推荐算法概述对于推荐系统(Recommend System, RS)，从广义上的理解为：为用户(User)推荐相关的商品(Items)。常用的推荐算法主要有：基于内容的推荐(Content-Based Recommendation)联规则的推荐(Association Rule-Based
原创
2023-06-14 19:21:27
159阅读
