10
2012/03听制五线谱-空窗-全秀妍
偶然听闻전수연弹奏的《빈자리》,正逢诸事不顺、心烦气躁之时,百般聊赖,惶恐不堪。忽闻此曲,恰似烈日炎炎下一阵微风迎面扑来,不禁心平气和,气爽神宜。又如黑云压城中一束阳光破蛹而出,瞬间花香鸟语,倾撒大地。心中难免感概万分,思绪不已。遂花上三五时刻,制作此曲五线谱一张。待到闲暇之时,学上七八分,以叹人生。
偶然听闻전수연弹奏的《빈자리》,正逢诸事不顺、心烦气躁之时,百般聊赖,惶恐不堪。忽闻此曲,恰似烈日炎炎下一阵微风迎面扑来,不禁心平气和,气爽神宜。又如黑云压城中一束阳光破蛹而出,瞬间花香鸟语,倾撒大地。心中难免感概万分,思绪不已。遂花上三五时刻,制作此曲五线谱一张。待到闲暇之时,学上七八分,以叹人生。
第三章主要介绍了推荐引擎的相关算法以及如何实现一个推荐引擎。在当前信息过载的时代,如果能够自动在茫茫信息的海洋中过滤出你感兴趣的信息,这种能力是弥足珍贵的。推荐引擎的核心功能是在于计算任意两个用户或条目之间的相似程度,根据这种相似程度,通过相关的同类的信息,来计算出相对最大价值的信息。推荐引擎的工作质量很大程度上依赖于经验。
第二章主要讲述了搜索问题。我们可以从这几个方面去优化搜索引擎的搜索结果,一是优化索引器,包括爬虫、解析、分词、索引这几部。建立一个良好的索引器就能让搜索引擎成功的跑起来了。二是使用链接分析模型来优化排序。索引器的工作是将网页中的关键词信息提取出来,从而建立关键词-网页-权重的索引,便于排序。但是有一些特殊情况甚至是恶意情况往往会导致含有垃圾信息的网页在排序的结果中靠前。这并不是我们想要的。因此我们需要一种简单有效的推荐的算法来将垃圾信息“降权”。其中最为著名的推荐算法也许就是PageRank了。三是根据用户反馈来改进搜索结果。这算是智能系统的初步实现了,有了用户对于搜索结果的反馈信息,我们就可以搭建一些自学习系统,更加智能的为不同用户提供不同搜索结果。
数学上有这样一组公式
COUNT(计数)恒等:COUNT(a1, a2, a3, b1, b2, b3) = SUM(COUNT(a1, a2, a3), COUNT(b1, b2, b3))
SUM(加和)恒等: SUM(a1, a2, a3, b1, b2, b3) = SUM(SUM(a1, a2, a3), SUM(b1, b2, b3))
MAX(最大)恒等: MAX(a1, a2, a3, b1, b2, b3) = MAX(MAX(a1, a2, a3), MAX(b1, b2, b3))
MIN(最小)恒等: MIN(a1, a2, a3, b1, b2, b3) = MIN(MIN(a1, a2, a3), MIN(b1, b2, b3))
AVG(平均)恒等:AVG(a1, a2, a3, b1, b2, b3) = SUM(a1, a2, a3, b1, b2, b3) / COUNT(a1, a2, a3, b1, b2, b3) = SUM(SUM(a1, a2, a3) / COUNT(a1, a2, a3, b1, b2, b3) + SUM(b1, b2, b3) / COUNT(a1, a2, a3, b1, b2, b3))
这意味着什么?
意味着我们可以将单节点的对整个数据集的统计计算划分为多个区域计算部署到多节点上,每个节点可以并行计算各自的区域,将最后返回的结果提交给汇总节点,汇总节点只需要做简单的汇总计算。相比单节点计算而言,分布在多节点上的计算能够节省大量时间,也减少了大量的原子数据的网络传输开销。MR框架可以利用此理论自动化的分派计算资源。
近日去香港参加动漫展。有一些体会:
- 香港人超多,地铁上多,街道上多,会场里面也多。
- 会场里面的COSPLAY的水平比上海的CHINAJOY的水平还是要差一截,不知道这次展览的水平能不能代表香港的水平
- 在若干次交流中,其他人竟然能流畅的使用普通话和我交谈,这让我很惊讶。
- 会场里面年轻人居多,也有一些是家长陪小孩过来玩的。
- 模型区及其他很多地方还是可以足见香港宅男宅女群体的实力的,撇开水平不谈,我们能够从细节上体会到他们对于动漫的认真。
- 科技的力量对动漫界的影响很大,特别是有一家公司提供了物理的动态3D建模,让我着实叹为观止了一番。惊叹到什么程度?竟然忘记了拍照!
- 很热情,很用心。
废话完了,献出王道。