Eve_Walle's Home

摘要： algorithmic和algorithmicx介绍下algorithmic和algorithmicx，这两个包很像，很多命令都是一样的，只是algorithmic的命令都是大写，algorithmicx的命令都是首字母大写，其他小写(EndFor两个大写)。下面是algorithmic的基本命令\STATE\IF{}\STATE{}\ENDIF\FOR{}\STATE{}\ENDFOR\FOR{\TO}\STATE{}\ENDFOR\FORALL{}\STATE{}\ENDFOR\WHILE{}\STATE{}\ENDWHILE\REPEAT\STATE{}\UNTIL{}\LOOP\STA 阅读全文

摘要： 最近在审一篇英文稿，第一次做这个工作，还有点不知如何表达。幸亏遇上我的处女审稿，我想不会枪毙它的，给他一个major revision（AGU上面用considerable revision，elsevier用major revision。意思是“大修”）后接收吧。呵呵网上找来一些零碎的资料参考参考。+++++++++++++++++++++++++++++++1、目标和结果不清晰。It is noted that your manuscript needs careful editing by someone with expertise in technical English editi 阅读全文

摘要： 公式中括号很小时，如何调整括号大小方法1：\left(\right)【采用此方案时，公式需要为“$$公式$$”或“\[公式\]”形式，而用“$公式$”\left(和\right(不起作用,采用“$$公式$$”或“\[公式\]”公式自动换行】方法2：如需手动控制括号大小可以使用\big, \Big, \bigg, \Bigg控制括号的大小，比如代码\Bigg(\bigg[\Big\{\big\langle \left | \| \frac{a}{b} \| \right |\big\rangle\Big\}\bigg]\Bigg)显示\big<\Big<bigg<Bigg符号“ 阅读全文

摘要： (1) 显示绘图工具：菜单栏，选择视图——>工具——>绘图(2) 画表格：先用矩形工具作一个矩形，再用线条工具画表格【用直线工具在表格内画竖线，最好先设置网格画布，画线比较直】(3) 拆分：上一步各单元格还不能输入文字，还得拆分表格。选中(ctrl+a)矩形和所有直线，菜单栏的形状——>操作——>拆分(注意这里是菜单栏，如果右击选中图形，形状里没有拆分选项)“填充色”选择白色或者其他 阅读全文

摘要： 转自：http://blog.sina.com.cn/s/blog_5e16f1770100fw8g.html在LaTeX系统中，由于DVI 文件经常被转为PostScript 文件，所以LATEX 支持最好的是EPS 格式(Encapsulated Post-Script ，是PostScript 语言的子集)的图形。目前只有EPS 格式的图形在所有的TeX 系统中都能得到全面的支持。而其他的图形，如JPEG、PNG可以在某些系统中使用，这取决于所用的DVI 转换程序。因为一般最终要得到的都是PostScript 或者PDF格式的文件，因此先将图形转换为EPS 格式仍然是最有效、最方便的图形 阅读全文

摘要： 1.表格全边框：\begin{table}\caption{This is a table.\label{}}\begin{tabular}{|c|c|c|} %c表示表格中文本居中 l 表示左对齐 r 表示右对齐 | 表示纵向边框\hline % 横向边框CC&PP&NN\\%第一行表格中的内容 \\表示换行\hline$\beta$&100\%&92\% \\ %第二行边框中的内容\hline\end{tabular}\\\end{table}2. 只有横向边框：\begin{table}\begin{tabular}{ccc} %c表示表格中文本居中 l 阅读全文

摘要： 协同过滤 —— Collaborative Filtering协同过滤简单来说就是根据目标用户的行为特征，为他发现一个兴趣相投、拥有共同经验的群体，然后根据群体的喜好来为目标用户过滤可能感兴趣的内容。协同过滤推荐 —— Collaborative Filtering Recommend协同过滤推荐是基于一组喜好相同的用户进行推荐。它是基于这样的一种假设：为一用户找到他真正感兴趣的内容的最好方法是首先找到与此用户有相似喜好的其他用户，然后将他们所喜好的内容推荐给用户。这与现实生活中的“口碑传播(word-of-mouth)”颇为类似。基于用户的协同过滤推荐 —— User CF原理：基于用户对物 阅读全文

摘要： User CF 和 Item CF 都依赖于相似度的计算，因为只有通过衡量用户之间或物品之间的相似度，才能找到用户的“邻居”，才能完成推荐。上文简单的介绍了相似度的计算，但不完全，下面就对常用的相似度计算方法进行详细的介绍：1. 基于皮尔森相关性的相似度 —— Pearson correlation-based similarity皮尔森相关系数反应了两个变量之间的线性相关程度，它的取值在[-1, 1]之间。当两个变量的线性关系增强时，相关系数趋于1或-1；当一个变量增大，另一个变量也增大时，表明它们之间是正相关的，相关系数大于0；如果一个变量增大，另一个变量却减小，表明它们之间是负相关的，相 阅读全文

摘要： 本文提到的Perfect Hashing完美哈希不完全等价于完美哈希函数。假设我们要表示的静态集合X有n个元素，我们针对它可以找到一个perfect hash function，记作hx: [1…u]→[1…n]。所谓perfect hash function，即它针对不同的key能产生不同的hash value，也就是说没有collision。如果针对不同的key产生不同的hash value，且hash value分布在连续的整数区间内，则称之为minimal perfect hash function，或者minimal perfect hashing。所以上面提到的函数hx严格来说是一 阅读全文

摘要： 完美 哈希函数（Perfect Hash Function，简称PHF）是没有冲突的哈希函数，也就是，函数 H 将 N 个 KEY 值映射到 M 个整数上，这里 M>=N ，而且，对于任意的 KEY1 ，KEY2 ，H( KEY1 ) != H( KEY2 ) ，并且，如果 M = = N ，则 H 是最小完美哈希函数（Minimal Perfect Hash Function，简称MPHF）。完美 哈希函数是静态的，就意味着事前必须知道需要哈希哪些数据。同时生成的算法比较复杂，需要很长的时间来建立索引。没有办法实时添加更新。给他的应用范围提了个极大的限制。在现实情况中，很难构造完美的散 阅读全文