- - 非技术 - ITeye博客
如果建立了需求跟踪矩阵,我们对照需求跟踪矩阵的进行测试用例的评审,则会更加方便,如果建立了需求跟踪矩阵,作者本人很容易在评审之前就会很容易发现未被测试用例覆盖的需求. 需求跟踪矩阵的作用有两个: 一是检查需求是否被实现了,是否被测试了,执行需求的验证,进行功能审计;二是在发生需求变更时,通过检索需求跟踪矩阵发现需要修改的需求、设计及测试用例等.
- - 四火的唠叨
文章系本人原创,转载请保持完整性并注明出自 《四火的唠叨》. 使用一款搜索引擎,我们希望搜索结果能够拥有最佳的排序,Google为它最核心的排序算法PageRank申请了专利. 在PageRank以前,排序大多依靠对搜索关键字和目标页的匹配度来进行的,这种排序方式弊端明显,尤其对于善于堆砌关键字舞弊的页面,很容易就跳到了搜索结果的首页.
- SuperLucky - 增强视觉 | 计算机视觉 增强现实
美帝的法国貌似是美法混血的有心人士(此有心人士长期从事航天飞机研究. )收集了市面上的矩阵分解的几乎所有算法和应用,由于源地址在某神秘物质之外,特转载过来,源地址. Matrix Decompositions has a long history and generally centers around a set of known factorizations such as LU, QR, SVD and eigendecompositions.
- - 标点符
推荐领域的人一般都会听说过十年前 Netflix Prize 的比赛,随着Netflix Prize推荐比赛的成功举办,近年来隐语义模型(Latent Factor MOdel,LFM)受到越来越多的关注. 隐语义模型最早在文本挖掘领域被提出,用于寻找文本的隐含语义,相关的模型常见的有潜在语义分析(Latent Semantic Analysis,LSA)、LDA(Latent Dirichlet Allocation)的主题模型(Topic Model)、矩阵分解(Matrix Factorization)等等.
- - ImportNew
HTTP本身是 “无状态”协议,它不保存连接交互信息,一次响应完成之后即连接断开,下一次请求需要重新建立连接,服务器不记录上次连接的内容.因此如果判断两次连接是否是同一用户, 就需要使用 会话跟踪技术来解决.常见的会话跟踪技术有如下几种:. URL重写: 在URL结尾附加. 会话ID标识,服务器通过会话ID识别不同用户..
- 夲 - 果壳网 guokr.com - 果壳网
在生日聚会上玩什么游戏最好呢. 不过 Geek 们有自己的选择. 设想《生活大爆炸》里的 Leonard、Sheldon、Howard、Rajesh 聚在一起,庆祝其中一人 25 岁的生日. Sheldon 在一张纸上写下了下面这个 4×4 的数字方阵:. 然后从 Leonard 开始,每个人从中任选一个数字画上圈,同时把这个数字所在的那一行和那一列的其它数字都划掉.
- -
本文将简单介绍下最近学习到的矩阵分解方法. 开始觉得这种方法很神奇很数学,而且在实际使用的时候也非常好用. 但最近读了Yehuda大神的paper之后,觉得这种方法比较猥琐. 其实,矩阵分解的核心是将一个非常稀疏的评分矩阵分解为两个矩阵,一个表示user的特性,一个表示item的特性,将两个矩阵中各取一行和一列向量做内积就可以得到对应评分.
- - 博客园_首页
本文将要讨论基于矩阵分解的推荐算法,这一类型的算法通常会有很高的预测精度,也活跃于各大推荐系统竞赛上面,前段时间的百度电影推荐最终结果的前10名貌似都是把矩阵分解作为一个单模型,最后各种ensemble,不知道正在进行的阿里推荐比赛( http://102.alibaba.com/competition/addDiscovery/index.htm),会不会惊喜出现.
- - 博客园_新闻
最近流行跨界,不同编程语言之间喜欢通过一些开源项目来实现相互调用、转换. 同时也有一些项目可实现语言之间的集成,例如 JRuby 可让你在 Java 应用中执行 Ruby 脚本. 而这里有一个网站给出了一个完整的不同编程语言之间的转换矩阵,通过这个矩阵你可以了解到两个语言需要使用什么工具可以进行转换.
- -
这2个月研究根据用户标签情况对用户的相似度进行评估,其中涉及一些推荐算法知识,在这段时间研究了一遍《推荐算法实践》和《Mahout in action》,在这里主要是根据这两本书的一些思想和自己的一些理解对分布式基于ItemBase的推荐算法进行实现. 其中分两部分,第一部分是根据共现矩阵的方式来简单的推算出用户的推荐项,第二部分则是通过传统的相似度矩阵的方法来实践ItemBase推荐算法.