-
小型计算器的研究
今天在一个QQ群上看到一位朋友发了一个编译未通过的Java计算器源代码，遂收藏下来并将其更正。Mark之，以供日后参考。程序比较简单，可以说并不是很好的设计，但对于Java中swing及awt的使用，可以作为一个简单有效的例子。
- 2022-09-25 00:35:03下载
- 积分：1
-
查看各目录文件大小，可以很快查找出个文件的大小，当硬盘空间不足时。...
查看各目录文件大小，可以很快查找出个文件的大小，当硬盘空间不足时。-See the directory file size, can quickly find out the size of files, when the hard disk space is insufficient.
- 2022-02-02 02:43:11下载
- 积分：1
-
Edge Detection and Image SegmentatiON
The command prompt version of the Edge Detection and Image SegmentatiON (EDISON) System provides a versatile environment for performing confidence based edge detection and synergistic image segmentation through the definition of user defined scripts. In an EDISON script one specifies the system parameters, input, output, and operations. The system functionality is facilitated through a simple set of commands and parameters described in the following sections.
- 2022-05-30 00:51:05下载
- 积分：1
-
任意精度计算的实现
任意精度计算的实现-arbitrary accuracy, the realization
- 2022-08-24 02:11:43下载
- 积分：1
-
蚁群优化
这是蚁群算法的代码。它只是表明，该算法没有别的。
有益借鉴前瞻性。
- 2022-03-03 10:33:51下载
- 积分：1
-
prime 判断
prime 判æ–-prime judgment
- 2023-03-29 22:10:04下载
- 积分：1
-
一个图可以找出投影仪的中心线，我做本科毕业论文…
可以把一图形的投影中心线找出来,我本科论文就做过那玩意-A graph can find out the centerline of the projector, I did undergraduate thesis on那玩意
- 2022-06-17 03:14:47下载
- 积分：1
-
MEPG4协议编解码算法和源代码、DEMO等
MEPG4协议编解码算法和源代码、DEMO等
- 2022-01-24 17:54:38下载
- 积分：1
-
构造数独算法
基于深度优先搜索的构造数独的算法，没有界面 ，程序实在控制台运行的
- 2022-01-30 14:30:35下载
- 积分：1
-
C++ ItemCF
UserCF和ItemCF是协同过滤中最为古老的两种算法，在top-N的推荐上被广泛应用。这两个算法之所以重要，是因为他们使用了两个不同的推荐系统基本假设。UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西，而ItemCF认为一个人会喜欢和他以前喜欢的东西相似的东西。这两个假设都有其合理性。根据我的测试，用UserCF和ItemCF做出的推荐列表中，只有50%是一样的，还有50%完全不同。但是这两个算法确有相似的精度。所以说，这两个算法是很互补的。我一直认为这两个算法是推荐系统的根本，因为无论我们是用矩阵，还是用概率模型，我们都非常的依赖于前面说的两种假设。如果用户的行为不符合那两种假设，推荐系统就没必要存在了。因此我一直希望能够找出这两种算法的本质区别。他们有相似的精度，但是coverage相差很大，ItemCF coverage很大而UserCF很小。我还测试了很多其他指标，不过要从这些表象的指标差异找出这两个算法的本质区别还是非常困难。不过上周我基本发现了这两个算法推荐机理的本质区别。我们做如下假设。每个用户兴趣爱好都是广泛的，他们可能喜欢好几个领域的东西。不过每个用户肯定也有一个主要的领域，对这个领域会比其他领域更加关心。给定一个用户，假设他喜欢3个领域A,B,C，同时A是他喜欢的主要领域。这个时候我们来看UserCF和ItemCF倾向于做出什么推荐。结果如下，如果用UserCF, 它会将A,B,C三个领域中比较热门的东西推荐给用户。而如果用ItemCF，它会基本上只推荐A领域的东西给用户。因为UserCF只推荐热门的，所以UserCF在推荐长尾上能力不足。而ItemCF只推荐A领域给用户，这样他有限的推荐列表中就可能包含了一定数量的不热门item，所以ItemCF推荐长尾的能力比较强。不过ItemCF的推荐对某一个用户而言，显然多样性不足。但是对整个系统而言，因为不同的用户的主要兴趣点不同，所以系统的coverage会很大。显然上面的两种推荐都有其合理性，但都不是最好的选择，因此他们的精度也会有损失。最好的选择是，如果我们给这个用户推荐30个item，我们既不是每个领域挑选10个最热门的给他，也不是推荐30个A领域的给他，而是比如推荐15个A领域的给他，剩下的15个从B,C中选择。认识到这一
- 2022-03-26 08:57:57下载
- 积分：1
