推荐系统:猜你喜欢

0 简介

  • 网络的迅速发展带来了信息超载(information overload)问题。
  • 解决信息超载问题一个非常有潜力的办法是推荐系统,它根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户。
  • 推荐系统最典型应用领域是电子商务领域。同时学术界对推荐系统的研究热度一直很高,逐步形成了一门独立的学科。
  • 一些名词能很好的刻画推荐系统,如千人千面、猜你喜欢等。
    在这里插入图片描述
    在这里插入图片描述

1 数据

推荐系统包括一些基础数据与附加信息。

1.1 基础数据

令用户数量为nnn, 商品数量为mmm. 用户对商品评分构成的矩阵 R=(rij)n×m\mathbf{R} = (r_{ij})_{n \times m}R=(rij)n×m. 如下表所示:
在这里插入图片描述
分两种情况讨论:

  • 如果仅知道用户是否浏览过商品, rijr_{ij}rij的取值范围为{0,1}\{0, 1\}{0,1}R\mathbf{R}R表示浏览矩阵,rij=1r_{ij} = 1rij=1表示用户uiu_iui浏览过商品tjt_jtjrij=0r_{ij} = 0rij=0表示用户uiu_iui没有浏览过商品tjt_jtj,这种评分也被称为隐式评分(implicit ratings).
  • 如果用户给购买过的商品进行评分,R\mathbf{R}R表示评分矩阵,rijr_{ij}rij代表用户uiu_iui对商品tjt_jtj的评分,​一般的取值范围为{0,1,2,3,4,5}\{0, 1, 2, 3, 4, 5\}{0,1,2,3,4,5},0分表示用户没有购买过商品,1分表示用户不喜欢该商品,5分表示用户特别喜欢该商品.

1.2 用户及商品信息

  • 用户有自身信息, 如: 性别、国籍、信仰、年龄、职业等等.
  • 商品有自身信息, 以电影为例, 包括: 出品时间、导演、主演、类型 (爱情片、动画片、喜剧片、悬疑片等,可多选)、片长等等.
    以饭店为例, 有位置 (城市、街道)、营业时间、类别 (川菜、粤菜、鲁菜).

    在这里插入图片描述
    在这里插入图片描述

1.3 社交网络

用户与用户之间存在着信任关系(或称为好友),这样就构成了一个基于信任的社交网络,这些社交关系有利于给用户进行画像.
在这里插入图片描述

1.4 用户评论/点赞

用户不仅要给商品打分, 还会给用户/商品写一些评论或点赞. 这些评论或点赞可能比分数提供更丰富的语义信息.
在这里插入图片描述

1.5 其它信息

推荐系统应用广泛,如新闻、商品、音乐、视频等,都可以作为推荐的对象,针对不同应用场景,会收集很多相关信息,后续根据不同应用场景再补充。

2 问题

推荐系统的核心问题就是预测用户对商品的偏好。这种偏好可以用一个评分来表示,也可以用是否有浏览/购买的意愿来表示。针对具体的应用场景,需要说明输入、输出、优化目标、约束条件。

2.1 基于浏览矩阵的推荐

问题:浏览/购买预测
输入:训练矩阵Rt=(rijt)n×m\mathbf{R}^t = (r_{ij}^t)_{n \times m}Rt=(rijt)n×m,所有评分矩阵R=(rij)n×m\mathbf{R} = (r_{ij})_{n \times m}R=(rij)n×m.
输出:预测矩阵P=(pij)n×m\mathbf{P} = (p_{ij})_{n \times m}P=(pij)n×m.
优化目标:最大化准确率
max⁡acc(Rt,P,R)=∣{(i,j)∈R∣rijt=0,rij=1,pij=rij}∣∣{(i,j)∈R∣rijt=0,rij=1}∣\max acc(\mathbf{R}^t, \mathbf{P}, \mathbf{R}) = \frac{|\{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} = 1, p_{ij} = r_{ij}\}|}{|\{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} = 1\}|}maxacc(Rt,P,R)={(i,j)Rrijt=0,rij=1}{(i,j)Rrijt=0,rij=1,pij=rij} .
其中:

1. R\mathbf{R}R用于测试阶段评价推荐算法的准确率, 不能用于训练.
2. 完备矩阵 R\mathbf{R}R在现实中并不存在.
3. 0 具有了有同解释 (语义), 在训练集Rt\mathbf{R}^tRt中表示未知, 在预测矩阵P\mathbf{P}P中表示不喜欢或不购买, 在完备矩阵R\mathbf{R}R中既可能表示未知, 也可能表示不喜欢.

2.2 基于评分矩阵的预测

问题:评分预测
输入:训练矩阵Rt=(rijt)n×m\mathbf{R}^t = (r_{ij}^t)_{n \times m}Rt=(rijt)n×m,所有评分矩阵R=(rij)n×m\mathbf{R} = (r_{ij})_{n \times m}R=(rij)n×m.
输出:预测矩阵P=(pij)n×m\mathbf{P} = (p_{ij})_{n \times m}P=(pij)n×m.
优化目标:

  • 最小化平均绝对误差 (mean absolute error)
    min⁡mae(Rt,P,R)=Σ(i,j)∈{(i,j)∈R∣rijt=0,rij>0}∣pij−rij∣∣{(i,j)∈R∣rijt=0,rij>0}∣\min mae(\mathbf{R}^t, \mathbf{P}, \mathbf{R}) = \frac{\Sigma_{(i,j) \in \{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} > 0\}}|p_{ij} - r_{ij}|}{|\{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} > 0\}|}minmae(Rt,P,R)={(i,j)Rrijt=0,rij>0}Σ(i,j){(i,j)Rrijt=0,rij>0}pijrij
  • 最小化均方误差 (root mean square error)
    min⁡rsme(Rt,P,R)=Σ(i,j)∈{(i,j)∈R∣rijt=0,rij>0}(pij−rij)2∣{(i,j)∈R∣rijt=0,rij>0}∣\min rsme(\mathbf{R}^t, \mathbf{P}, \mathbf{R}) =\sqrt{ \frac{\Sigma_{(i,j) \in \{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} > 0\}}(p_{ij} - r_{ij})^2}{|\{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} > 0\}|}}minrsme(Rt,P,R)={(i,j)Rrijt=0,rij>0}Σ(i,j){(i,j)Rrijt=0,rij>0}(pijrij)2

2.3 基于评分矩阵的推荐

问题:基于评分矩阵的推荐
输入:训练矩阵Rt=(rijt)n×m\mathbf{R}^t = (r_{ij}^t)_{n \times m}Rt=(rijt)n×m,所有评分矩阵R=(rij)n×m\mathbf{R} = (r_{ij})_{n \times m}R=(rij)n×m, 推荐阈值rlr_lrl.
输出:预测矩阵P=(pij)n×m\mathbf{P} = (p_{ij})_{n \times m}P=(pij)n×m.
优化目标:最大化准确率
max⁡acc(Rt,P,R)=∣{(i,j)∈R∣rijt=0,rij≥rl,pij≥rl}∣∣{(i,j)∈R∣rijt=0,rij≥rl}∣\max acc(\mathbf{R}^t, \mathbf{P}, \mathbf{R}) = \frac{|\{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} \ge r_l, p_{ij} \ge r_{l}\}|}{|\{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} \ge r_l\}|}maxacc(Rt,P,R)={(i,j)Rrijt=0,rijrl}{(i,j)Rrijt=0,rijrl,pijrl} .

2.4 交互推荐

在实际应用场景中,交互推荐是主流的推荐方式,推荐系统都会根据用户的选择优化推荐列表,也就是说用户这一轮的选择会影响下一轮的推荐列表。比如推荐系统一次给用户推荐20个商品,用户在本轮推荐中选择了商品1、3、5;这样的选择就会反馈给系统,系统根据用户的选择优化下一轮的推荐。交互式推荐用英文表达为 conversational recommendation.
场景描述:
对每个用户

登录系统;
do{获得系统推荐的一组项目 (固定为k个);用户在其中选择喜欢的所有项目;
}while(喜欢的项目为0)

对系统

while(true){接收用户的选择,并将用户的选择写入灰列表(grey list);if(用户是不成熟用户){采用基于流行度的算法产生推荐列表;}else{采用基于矩阵分解的算法产生推荐列表;}
}

通过用户浏览/购买商品的数量达到某个阈值来表示用户的成熟度。如果达到某个阈值,则称该用户为成熟用户,否则为不成熟用户。
问题:交互式推荐
输入:训练矩阵Rt=(rijt)n×m\mathbf{R}^t = (r_{ij}^t)_{n \times m}Rt=(rijt)n×m,所有评分矩阵R=(rij)n×m\mathbf{R} = (r_{ij})_{n \times m}R=(rij)n×m.
输出:预测矩阵P=(pij)n×m\mathbf{P} = (p_{ij})_{n \times m}P=(pij)n×m.
优化目标:最大化准确率
max⁡acc(Rt,P,R)=∣{(i,j)∈R∣rijt=0,rij=1,pij=rij}∣∣{(i,j)∈R∣rijt=0,rij=1}∣\max acc(\mathbf{R}^t, \mathbf{P}, \mathbf{R}) = \frac{|\{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} = 1, p_{ij} = r_{ij}\}|}{|\{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} = 1\}|}maxacc(Rt,P,R)={(i,j)Rrijt=0,rij=1}{(i,j)Rrijt=0,rij=1,pij=rij} .

2.5 三支推荐

推荐行为除了推荐和不推荐之外,实际上还存在着推广的行为,为了模拟这种行为,我们引入了三支推荐。
我们以下图为例来说明这个场景:

在这里插入图片描述
(1)我们设置了一个3×23 \times 23×2的代价敏感矩阵,行表示系统对用户采取的行为,包括推荐(Recommend)、推广(Promote)、不推荐(Not recommend),列表示用户的偏好,包括喜欢(Like),不喜欢(Dislike)。根据三支决策理论,利用该代价矩阵可以计算出推荐阈值α∗\alpha^*αβ∗\beta^*β
(2)利用随机森林我们可以预测出用户uiu_iui喜欢商品tjt_jtj的程度,用概率pijp_{ij}pij来表示;
(3)当pij>α∗p_{ij} \gt \alpha^*pij>α,系统将推荐(Recommend)商品tjt_jtj给用户uiu_iui;当pij<β∗p_{ij} \lt \beta^*pij<β,系统将不推荐(Not recommend)商品tjt_jtj给用户uiu_iui;当β∗≤pij≤α∗\beta^* \le p_{ij} \le \alpha^*βpijα,系统将给用户uiu_iui分发优惠券进行推广(promote)商品tjt_jtj.
(4)为了描述下面的问题,我们需要用下面的公式进行映射:

  • 根据偏好阈值rlr_lrl将用户的评分映射为偏好:
    ψ(rij,rl)=1,当rij>rl\psi(r_{ij}, r_l) = 1, 当r_{ij} \gt r_lψ(rij,rl)=1,rij>rl;
    ψ(rij,rl)=2,当rij≤rl\psi(r_{ij}, r_l) = 2, 当r_{ij} \le r_lψ(rij,rl)=2,rijrl;
  • 将预测值映射为推荐(Recommend)、推广(Promote)、不推荐(Not recommend)
    ϕ(pij,α∗,β∗)=1,当pij>α∗\phi(p_{ij}, \alpha^*, \beta^*) = 1, 当p_{ij} \gt \alpha^*ϕ(pij,α,β)=1,pij>α;
    ϕ(pij,α∗,β∗)=2,当β∗≤pij≤α∗\phi(p_{ij}, \alpha^*, \beta^*) = 2, 当\beta^* \le p_{ij} \le \alpha^*ϕ(pij,α,β)=2,βpijα;
    ϕ(pij,α∗,β∗)=3,当pij<β∗\phi(p_{ij}, \alpha^*, \beta^*) = 3, 当p_{ij} \lt \beta^*ϕ(pij,α,β)=3,pij<β.
    问题:三支推荐
    输入:训练矩阵Rt=(rijt)n×m\mathbf{R}^t = (r_{ij}^t)_{n \times m}Rt=(rijt)n×m,所有评分矩阵R=(rij)n×m\mathbf{R} = (r_{ij})_{n \times m}R=(rij)n×m, 代价矩阵C=(ckl)3×2C = (c_{kl})_{3 \times 2}C=(ckl)3×2.
    输出:预测矩阵P=(pij)n×m\mathbf{P} = (p_{ij})_{n \times m}P=(pij)n×m.
    优化目标:最小化代价
    min⁡cost(Rt,P,R,C)=∑k∈{1,2,3},l∈{1,2}ckl×∣{(i,j)∈R∣ϕ(pij,α∗,β∗)=k,ψ(rij,rl)=l}∣∣{(i,j)∈R∣rijt=0,rij>0}∣\min cost(\mathbf{R}^t, \mathbf{P}, \mathbf{R}, C) = \frac{\sum_{k \in \{1,2,3\}, l \in \{1, 2\}} c_{kl} \times |\{(i, j) \in \mathbf{R} | \phi(p_{ij}, \alpha^*, \beta^*) = k, \psi(r_{ij}, r_l) = l\}|}{|\{(i, j) \in \mathbf{R} | r_{ij}^t = 0, r_{ij} > 0\}|}mincost(Rt,P,R,C)={(i,j)Rrijt=0,rij>0}k{1,2,3},l{1,2}ckl×{(i,j)Rϕ(pij,α,β)=k,ψ(rij,rl)=l} .

[1] Three-way recommender systems based on random forests

[2] Regression-based three-way recommendation

2.6 推荐系统的魔法边界

在很多时候,我们很想知道,给定一个推荐系统的数据集,它的精度上限(或者误差下限,为了更容易被记住,又取名为魔法边界)是多少,一旦知道了这个值,我们就可以确定算法到底还有多大的优化空间。换句话来说,就是数据质量本身决定了算法的精度上限,一旦数据集给定,这个魔法边界就确定了。
问题描述如下:

  • O=(oij)n×m\mathbf{O} = (o_{ij})_{n \times m}O=(oij)n×m为一个理想的评分数据集(ideal rating data),即假设用户在给商品评分的时候没有受到情绪波动、外界环境等因素影响,用户的偏好是恒定的;
  • R=(rij)n×m\mathbf{R} = (r_{ij})_{n \times m}R=(rij)n×m为一个实际的评分数据集(real rating data), 用户在评分的时候受到情绪波动、外界环境等因素影响,会带入一些自然噪声(nature noise);
  • N=∣{(i,j)∈R∣1≤i≤n,1≤j≤m,rij>0}N =|\{(i, j) \in \mathbf{R} | 1 \le i \le n, 1 \le j \le m, r_{ij} >0\}N={(i,j)R1in,1jm,rij>0}|;
  • 基于MAE评价指标的魔法边界定义为:MBGR(mae)=∣O−R∣NMBGR(mae) = \frac{|\mathbf{O} - \mathbf{R}|}{N}MBGR(mae)=NOR
  • 基于RSME评价指标的魔法边界定义为:MBGR(rsme)=∣∣O−R∣∣2NMBGR(rsme) = \frac{||\mathbf{O} - \mathbf{R}||_2}{N}MBGR(rsme)=NOR2
    我们认为魔法边界就是由于自然噪声引起的偏差。要估计这个魔法边界是一个很有挑战性的工作,因为实际环境中理想数据集O=(oij)n×m\mathbf{O} = (o_{ij})_{n \times m}O=(oij)n×m是采集不到的。
    针对理想数据集的问题,有很多学者在这个方面做了一些尝试,目前主要有经验方法和理论方法两大类。
  • 经验方法的学者通过采集同一用户对同一商品的多次评分,然后利用多次评分的平均来作为用户uiu_iui对商品tjt_jtj的理想评分oijo_{ij}oij。很显然,这种方法有很多缺陷,一方面同一用户对同一商品进行多次评分非常的无趣(boring),另一方面多次评分会带来新的噪声。
  • 为了解决经验方法带来的问题,我们提出了一些理论方法(见已发表的论文)

[3] Magic barrier estimation models for recommended systems under normal distribution

我们做了如下假设:
∣O−R∣N≤min⁡∣P−R∣N\frac{|\mathbf{O} - \mathbf{R}|}{N} \le \min \frac{|\mathbf{P} - \mathbf{R}|}{N}NORminNPR

∣∣O−R∣∣2N≤min⁡∣∣P−R∣∣2N\frac{||\mathbf{O} - \mathbf{R}||_2}{N} \le \min \frac{||\mathbf{P} - \mathbf{R}||_2}{N}NOR2minNPR2
该假设可以解读为:用户对商品的自然噪声所带来的偏差低于预测所带来的偏差。因为用户对商品的自然噪声是用户自己所导致的,而预测通常是利用其他用户对目标商品或者目标用户对其它商品的评分来估计目标用户对目标商品的评分,所以我们又可以解读为用户自身比别人更了解自己。

3 我们的工作

3.1 三支推荐

  • 基于随机森林的三支推荐(Three-way recommender systems based on random forests)
  • 三支回归推荐(Regression-based three-way recommendation)

3.2 交互推荐

  • 交互场景下的二支推荐
  • 交互场景下的三支推荐

3.3 魔法边界估计

  • 基于高斯假设的估计(Magic barrier estimation models for recommended systems under normal distribution)
  • 基于混合高斯(MoG)的估计
  • 基于混合指数分布(MoEP)的估计

3.4 提高效率的推荐

- M-Distance
-多通道特征向量(MCFV)

3.5 可解释性推荐

  • 矩阵分解:R\mathbf{R}R由两个子矩阵X\mathbf{X}XY\mathbf{Y}Y来表达,即R=XY\mathbf{R} = \mathbf{X}\mathbf{Y}R=XY. 其中向量xix_ixi表示用户uiu_iui的特征向量,向量yjy_jyj表示商品tjt_jtj的特征向量;
  • 可解释性矩阵分解:当用户uiu_iui偏好于商品tjt_jtj时,两者具有强相关性,其用户特征向量xix_ixi与商品特征向量yjy_jyj在潜在空间上应互相接近,即∥xi−yj∥→0\|x_i -y_j \| \rightarrow 0xiyj0

参考文献

[1] 张恒汝,闵帆,Three-way recommender systems based on random forests, Knowledge-Based Systems, 2016, 91: 275-286.
[2] 张恒汝,闵帆,石兵,Regression-based three-way recommendation,Information Sciences, 2017, 378, 444-461.
[3] 张恒汝, 闵帆等. Magic barrier estimation models for recommended systems under normal distribution, Applied Intelligence, 2018: 1-8.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/507628.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

量子计算机九章能否预测未来,张礼立 : 中国 “九章”量子计算机到底厉害在哪?...

原标题&#xff1a;张礼立 &#xff1a; 中国 “九章”量子计算机到底厉害在哪&#xff1f;【背景信息】12月4日&#xff0c;《科学》杂志公布了 中国 “九章” 的重大突破。 这台由中国科学技术大学潘建伟、陆朝阳等学者研制的76个光子的量子计算原型机&#xff0c;推动全球量…

python的继承用法_python中继承有什么用法?python继承的用法详解

本篇文章给大家带来的内容是关于python中继承有什么用法&#xff1f;python继承的用法详解&#xff0c;有一定的参考价值&#xff0c;有需要的朋友可以参考一下&#xff0c;希望对你有所帮助。面向对象三大特征1.封装&#xff1a;根据职责将属性和方法封装到一个抽象的类中2.继…

利用GAN实现QR Code超分辨率的研究

文章目录1 传统方案2 基于CNN的实现方案2.1 SRCNN2.2 WeChat AI3 基于GAN的实现方案3.1 SRGAN3.2 ESRGAN3.3 Real-ESRGAN4 基于GAN的QR Code的实现方案1 传统方案 https://blog.csdn.net/caomin1hao/article/details/81092134?utm_mediumdistribute.pc_relevant.none-task-bl…

HTML5清除2个div标签的空白,DIV标签里面IMG图片下方留有空白怎么办

我们很多个人博客网站都会广告位投放一些图片广告&#xff0c;在网页设计中&#xff0c;图片是不可缺少的素材&#xff0c;但是在 div 标签里面放入 img 图片的话&#xff0c;有时候会在图片的下方出现一行空间的区域&#xff0c;如果单纯的图片不醒目或是图片所在的位置不重要…

python notebook软件_Jupyter notebook快速入门教程(推荐)

本文主要介绍了Jupyter notebook快速入门教程&#xff0c;分享给大家&#xff0c;具体如下&#xff1a;本篇将给大家介绍一款超级好用的工具&#xff1a;Jupyter notebook。为什么要介绍这款工具呢&#xff1f;如果你想使用Python学习数据分析或数据挖掘&#xff0c;那么它应该…

推荐系统国内外团队介绍

1 何向南团队 http://staff.ustc.edu.cn/~hexn/

如何用计算机截部分屏,电脑如何长屏幕的截图?电脑截取长屏的方法

新手用户对windows系统截取长屏的方法比较陌生&#xff0c;正常情况下&#xff0c;我们截取屏幕内容是登录QQ&#xff0c;按ctrlalta来截取屏幕的&#xff0c;只能截取部分内容&#xff0c;无法截图整个页面。日常的工作生活中&#xff0c;截图是经常会用到的&#xff0c;如果你…

Audio-based snore detection using deep neural networks解读

0 摘要 Background and Objective: 打鼾是一种普遍现象。 它可能是良性的&#xff0c;但也可能是阻塞性睡眠呼吸暂停 (OSA) 一种普遍存在的睡眠障碍的症状。 准确检测打鼾可能有助于筛查和诊断 OSA。 Methods: 我们介绍了一种基于卷积神经网络 (CNN) 和循环神经网络 (RNN) 组合…

python实战讲解_Python数据可视化实战讲解

前言本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。开运张 | 作者知乎专栏 | 来源三个步骤&#xff1a;确定问题&#xff0c;选择图形转换数据&#xff0c;应用函数参数设置&#xff0c;一目了然首先对…

2018计算机专业考研报名人数,2018年全国考研报考人数、各省市考研报考人数、历年考研录取率、全日制及非全日制硕士研究生比例及考研动机分析【图】...

一、考研报考人数、录取率及报录比分析从上世纪末开始&#xff0c;研究生和本科生招生数量一样在逐步增多。本科扩招的同时&#xff0c;研究生也在扩招。1999年&#xff0c;全国报考研究生人数31.9万&#xff0c;录取人数7.3万&#xff0c;录取率22.8%。2008年&#xff0c;报考…

标记分布学习与标记增强

1 标记增强 标记增强是指将训练样本中的原始逻辑标记转化为标记分布的过程. 与基于嵌入 (embedding) 的 多标记分类方法相似, 标记增强也同样依赖于对隐含在训练样本中的标记相关信息的挖掘.

学python开发必须要会wsgi么_python Web开发你要理解的WSGI uwsgi详解

WSGI协议首先弄清下面几个概念&#xff1a;WSGI&#xff1a;全称是Web Server Gateway Interface&#xff0c;WSGI不是服务器&#xff0c;python模块&#xff0c;框架&#xff0c;API或者任何软件&#xff0c;只是一种规范&#xff0c;描述web server如何与web application通信…

用计算机怎样搜wifi网,笔记本电脑搜索不到无线网络(Wifi)怎么办

在使用Windows 10工作时会遇到形形色色的问题&#xff0c;比如笔记本电脑搜索不到无线网络。那么如何排除故障呢&#xff1f;下面小编与你分享具体步骤和方法。工具/材料Windows 10操作系统操作方法第1&#xff1a;启动Windows 10操作系统&#xff0c;如图所示。点击任务栏&quo…

如何理解矩阵对矩阵求导?

给一种不严密但有用的理解方式&#xff1a; 1 向量的“倒数” 记向量x(x1,x2,…,xn)T\mathrm{x} (x_1, x_2, \dots, x_n)^Tx(x1​,x2​,…,xn​)T&#xff0c;其倒数记为&#xff1a;x−1(1x1,1x2,…,1xn)T\mathrm{x}^{-1} (\frac{1}{x_1}, \frac{1}{x_2}, \dots, \frac{1}…

python获取id标签对应数据_Python--Scrapy爬虫获取简书作者ID的全部文章列表数据

最近Python大火&#xff0c;为了跟上时代&#xff0c;试着自学了下。Scrapy是一个高级的Python爬虫框架,它不仅包含了爬虫的特性,还可以方便的将爬虫数据保存到csv、json等文件中。今天我们就试着用Scrapy来爬取简书某位作者的全部文章。在本篇教程中&#xff0c;我们假定您已经…

怎么用计算机杀毒,电脑怎样查杀病毒

病毒往往会利用计算机操作系统的弱点进行传播&#xff0c;那么大家知道电脑怎样查杀病毒吗?接下来大家跟着学习啦小编一起来了解一下电脑查杀病毒的解决方法吧。电脑查杀病毒方法一一、使用杀毒软件进行杀毒1、首先进入“安全模式”2、进入方法&#xff1a;开机在进入Windows系…

MSN-LDL论文修改(B-Y Rong20211012)

Multi-view label distributed learning with multiple sub-networks –> Multi-view label distribution learning with multiple sub-networks Zhang HengRu1[00000 11111 22222 3333], Rong –> Bin-Yuan Rong, Heng-Ru Zhang Label distribution learning is an em…

将文件中所有数读到一个数组中_「数据结构与算法」将5个文件中的一千万年龄合并到一个新文件中...

现在有5个文件&#xff0c;文件里面分别存储着1千万个用户年龄&#xff0c;并且每个文件中的年龄都是有序的&#xff08;从小到大&#xff09;&#xff0c;现在需要将这5个文件整合到一个文件中&#xff0c;新文件的内容依然要保持有序&#xff08;从小到大&#xff09;。初始化…

成都理工大学工程技术学院计算机专业收分线,2019年成都理工大学工程技术学院美术类专业录取分数线...

四川&#xff1a;艺术本科省控线文化分370专业分200(单科成绩均不低于60分)&#xff0c;录取最低专业分224&#xff1b;艺专省控线文化分140专业分160&#xff0c;录取最低专业分181。内蒙古&#xff1a;艺术本科省控线文化分279专业分199&#xff0c;录取最低专业分201&#x…

如何利用python语言实现对象数组

1 Java代码示例 //定义一个类 class Triple {int user;int item;double rating; &#xff5d;//声明对象数组 Triple[] dataset new Triple[20];//利用对象数组访问成员变量 for(int i 0; i < dataset.length; i ){dataset[i].user 0; dataset[i].item 0dataset[i].…