摘要：题目：http://poj.org/problem?id=3624分析：这是一个0-1背包的问题。#include#includeint main(){ int N,M,W[3500],D[3500],dp[20000]; while (scanf("%d%d",&N,&M)!=EOF) { //输入数据 for(int i=1;i=W[i];j--) dp[j]=dp[j]>dp[j-... 阅读全文
背包问题之01背包
2013-12-03 01:31 by gongti, 422 阅读, 0 推荐, 收藏,
摘要：问题描述已知n个物品和一个背包容量为C，物品i(i=1,2,3,......)的容量为c[i] 价值w[i]。物品i可以装入，也可以不装入，但是不可以拆分。如何设计装包使得装包总效益最大。动态规划逆推求解设dp[i,j]为背包容量j，可取物品的范围为i，i+1，i+2，......n的最大效益值。即这是从后往前作为递推的方向。也就是思考怎么从i+1这个状态转移到i的状态无非是放入和不放两种情况。这... 阅读全文
背包问题
2013-12-02 21:51 by gongti, 160 阅读, 0 推荐, 收藏,
摘要：在学习《背包九讲》的时候总结的一点。最基础的三种背包问题：（1）01背包（ZeroOnePack）：有N件物品和一个容量为V的背包，每一种物品只有一件。 第i件物品的费用是c[i]，价值是w[i]。求解放入哪些物品是的总价值和最大。（2）完全背包（CompletePack）:有N件物品和一个容量为V的背包,每一种物品有无限件。 第i件物品的费用是c[i]，价值是w[... 阅读全文
HDU--2602（0-1背包）
2013-12-02 21:38 by gongti, 133 阅读, 0 推荐, 收藏,
摘要：题目：http://acm.hdu.edu.cn/showproblem.php?pid=2602分析：一个0-1背包问题。记得《背包九讲》的方法。dp[j]=max{dp[j],dp[j-volume[i]]+value[i]}#include#includeint main(){ int num,c,n,value[1000],volume[1000],dp[1000]; scanf("%d"... 阅读全文
基于baseline、svd和stochastic gradient descent的个性化推荐系统
2013-11-30 22:03 by gongti, 448 阅读, 0 推荐, 收藏,
摘要：文章主要介绍的是koren 08年发的论文[1], 2.3部分内容（其余部分会陆续补充上来）。koren论文中用到netflix 数据集， 过于大， 在普通的pc机上运行时间很长很长。考虑到写文章目地主要是已介绍总结方法为主，所以采用Movielens 数据集。变量介绍部分变量介绍可以参看《基于baseline和stochastic gradient descent的个性化推荐系统》文章中，将介绍两种方法实现的简易个性化推荐系统，用RMSE评价标准，对比这两个方法的实验结果。（1） svd + stochstic gradient descent 方法来实现系统。（2） baseline +. 阅读全文
基于baseline和stochastic gradient descent的个性化推荐系统
2013-11-30 21:54 by gongti, 290 阅读, 0 推荐, 收藏,
摘要：文章主要介绍的是koren 08年发的论文[1], 2.1 部分内容（其余部分会陆续补充上来）。koren论文中用到netflix 数据集， 过于大， 在普通的pc机上运行时间很长很长。考虑到写文章目地主要是已介绍总结方法为主，所以采用Movielens 数据集。要用到的变量介绍：Baseline estimates object function:梯度变化（利用stochastic gradient descent算法使上述的目标函数值，在设定的迭代次数内，降到最小）系统评判标准：参数设置：迭代次数maxStep = 100, 学习速率（梯度变化速率）取0.99 还有的其他参数设置参考引用. 阅读全文
基于neighborhood models(item-based) 的个性化推荐系统
2013-11-30 21:48 by gongti, 299 阅读, 0 推荐, 收藏,
摘要：文章主要介绍的是koren 08年发的论文[1], 2.2neighborhood models部分内容（其余部分会陆续补充上来）。koren论文中用到netflix 数据集， 过于大， 在普通的pc机上运行时间很长很长。考虑到写文章目地主要是已介绍总结方法为主，所以采用Movielens 数据集。变量介绍(涉及到的其他变量可以参看上面提到的相关文章)：利用pearson相关系数，求i,j之间的相关性。文章中提到shrunk correlation coefficient(收缩的相关系数)，收缩后pearson相关系数作为i,j相似性，后面会通过实践证明收缩的效果会更好。预测值：系统评判标准： 阅读全文
基于物品的协同过滤推荐算法——读“Item-Based Collaborative Filtering Recommendation Algorithms”
2013-11-30 18:14 by gongti, 841 阅读, 0 推荐, 收藏,
摘要：最近参加KDD Cup 2012比赛，选了track1，做微博推荐的，找了推荐相关的论文学习。“Item-Based Collaborative Filtering Recommendation Algorithms”这篇是推荐领域比较经典的论文，现在很多流行的推荐算法都是在这篇论文提出的算法的基础上进行改进的。一、协同过滤算法描述推荐系统应用数据分析技术，找出用户最可能喜欢的东西推荐给用户，现在很多电子商务网站都有这个应用。目前用的比较多、比较成熟的推荐算法是协同过滤（Collaborative Filtering，简称CF）推荐算法，CF的基本思想是根据用户之前的喜好以及其他兴趣相近的用. 阅读全文
基于用户的最近邻协同过滤算法（MovieLens数据集)
2013-11-30 18:08 by gongti, 2172 阅读, 0 推荐, 收藏,
摘要：基于用户的最近邻算法（User-Based Neighbor Algorithms）,是一种非概率性的协同过滤算法，也是推荐系统中最最古老，最著名的算法。我们称那些兴趣相似的用户为邻居，如果用户n相似于用户u，我们就说n是u的一个邻居。起初算法，对于未知目标的预测是根据该用户的相似用户的评分作出预测的。本文中运用的是MovieLens数据集，关于这个数据集的介绍可以参看http://www.grouplens.org/node/73算法主要包括两个步骤：(1). 找到与用户兴趣相似的用户(邻居)集合。(2). 根据这个邻居集合，计算出该用户对未曾评分的物品的预测评分。并列出获得最高的预测评分N 阅读全文
7--操作符重载（1）
2013-11-28 17:21 by gongti, 237 阅读, 0 推荐, 收藏,
摘要：（1）操作符重载意义对于系统的所有操作符，一般情况下，只支持基本数据类型和标准库中提供的class，对于用户自己定义的class，如果想要支持基本操作，比如比较大小，判断是否相等，等等。则需要用户自己来定义关于这个操作符的具体实现。（2）重载操作符的定义格式定义一个重载操作符和定义一个函数，不过函数... 阅读全文
浙公网安备 33010602011771号