02 2014 档案

摘要：近期，在服务器上运行matlab程序，由于数据比较多，程序比较复杂，运行时间不固定，而且需要经常改变参数，重复运行几次，所以不清楚程序何时结束，以便于修改参数，继续运行。开始有时间就看看程序是否运行结束，次数多了后，就感觉分心，很不方便。为了在第一时间知道程序运行结束，就想到了让matlab在运行结束后，立刻通知我，这样就方便我立刻修改参数，继续运行。经过思考，百度或者google，尝试，这里介绍两种可行的方法：发送短信和发送有邮件。1. 发送短信由于以前有过在电脑上向手机发送短信的编程实现，所以在回顾自己的文章《 C#简单实现发送手机短信 》，再结合matlab中web的使用，实现了用中国网 阅读全文

摘要：Windows 键盘快捷键标签页和窗口快捷键Ctrl+N打开新窗口。Ctrl+T打开新标签页。Ctrl+Shift+N在隐身模式下打开新窗口。按Ctrl+O，然后选择文件。通过 Google Chrome 打开计算机中的文件。按住Ctrl键的同时点击链接，或用鼠标中键（或鼠标滚轮）点击链接。从后台在新标签页中打开链接。按住Ctrl+Shift的同时点击链接，或按住Shift的同时用鼠标中键（或鼠标滚轮）点击链接。在新标签页中打开链接并切换到刚打开的标签页。按住Shift键，然后点击链接。在新窗口中打开链接。Ctrl+Shift+T重新打开上次关闭的标签页。Google Chrome 可记住最近 阅读全文

摘要：KL距离，是Kullback-Leibler差异（Kullback-Leibler Divergence）的简称，也叫做相对熵（Relative Entropy）。它衡量的是相同事件空间里的两个概率分布的差异情况。其物理意义是：在相同事件空间里，概率分布P(x)的事件空间，若用概率分布Q（x）编码时，平均每个基本事件（符号）编码长度增加了多少比特。我们用D（P||Q）表示KL距离，计算公式如下：当两个概率分布完全相同时，即P(x)=Q(X)，其相对熵为0 。我们知道，概率分布P(X)的信息熵为：其表示，概率分布P(x)编码时，平均每个基本事件（符号）至少需要多少比特编码。通过信息熵的学习，我们 阅读全文

摘要：前言：本文主要介绍PLSA及EM算法，首先给出LSA（隐性语义分析）的早期方法SVD，然后引入基于概率的PLSA模型，其参数学习采用EM算法。接着我们分析如何运用EM算法估计一个简单的mixture unigram 语言模型和混合高斯模型GMM的参数，最后总结EM算法的一般形式及运用关键点。对于改进PLSA，引入hyperparameter的LDA模型及其Gibbs Sampling参数估计方法放在本系列后面的文章LDA及Gibbs Samping介绍。1 LSA and SVDLSA(隐性语义分析)的目的是要从文本中发现隐含的语义维度-即“Topic”或者“Concept”。我们知道，在文档 阅读全文

摘要：求具体矩阵的逆矩阵求元素为具体数字的矩阵的逆矩阵时，常采用如下一些方法．方法1　伴随矩阵法：．　注1　对于阶数较低(一般不超过3阶)或元素的代数余子式易于计算的矩阵可用此法求其逆矩阵．注意元素的位置及符号．特别对于2阶方阵，其伴随矩阵，即伴随矩阵具有“主对角元互换，次对角元变号”的规律．　注2　对分块矩阵不能按上述规律求伴随矩阵．方法2 初等变换法：　注对于阶数较高()的矩阵，采用初等变换法求逆矩阵一般比用伴随矩阵法简便．在用上述方法求逆矩阵时，只允许施行初等行变换．方法3　分块对角矩阵求逆：对于分块对角(或次对角)矩阵求逆可套用公式其中均为可逆矩阵．　例1　已知，求． 解　将分块如下：其中. 阅读全文

摘要：协同过滤（collaborative filtering，CF）算法主要分为memory-based CF 和 model-based CF，而memory-based CF 包括user-based CF和item-based CF。基于用户的(User-based)协同过滤算法基于用户的(User-based)协同过滤算法是根据邻居用户的偏好信息产生对目标用户的推荐。它基于这样一个假设:如果一些用户对某一类项目的打分比较接近，则他们对其它类项目的打分也比较接近（相似用户对某一item的打分相似，即先计算用户相似性，然后找到对item i 预测过的用户，找到最相似top-k个用户，然后预测） 阅读全文

摘要：在推荐系统简介中，我们给出了推荐系统的一般框架。很明显，推荐方法是整个推荐系统中最核心、最关键的部分，很大程度上决定了推荐系统性能的优劣。目前，主要的推荐方法包括：基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐。一、基于内容推荐基于内容的推荐（Content-based Recommendation）是信息过滤技术的延续与发展，它是建立在项目的内容信息上作出推荐的，而不需要依据用户对项目的评价意见，更多地需要用机 器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。在基于内容的推荐系统中，项目或对象是通过相关的特征的属性来定义，系统基于用户评价对象 阅读全文