-
源搜索核心代码
舆情系统搜索核心代码，主要是针对百度，谷歌搜索整理！
- 2022-03-10 07:39:11下载
- 积分：1
-
高维空间中的广义投影群
Finding Generalized Projected Clusters in High Dimensional Spaces - ORCLUS - A subspace clustering algorithm.-Finding Generalized Projected Clusters in High Dimensional Spaces- ORCLUS- A subspace clustering algorithm.
- 2022-08-16 08:51:23下载
- 积分：1
-
自动扫雷
资源描述基于c语言的自动扫雷程序，通过调用系统函数进行与相关游戏进行连接
- 2022-01-28 15:44:39下载
- 积分：1
-
哈希代码消息身份验证算法
这是 hmac 算法的代码。hmac 是用于创建加密的数字签名验证算法。它将创建要发送的数据的哈希代码。
- 2022-03-01 12:39:37下载
- 积分：1
-
纯惯性导航解算程序，结果很好
纯惯性导航解算程序，结果很好，有四种不同的解算方法，参考了四种不同的书中的捷联解算方法。
- 2023-03-03 18:55:03下载
- 积分：1
-
用C语言编写的八数码问题算法
用C语言编写的八数码问题算法-C language prepared by the eight digital Problem
- 2022-01-25 21:09:19下载
- 积分：1
-
驱动调度程序
问题得到解决：编写一个程序来安排司机15天，给予最佳的解决方案。这是什么意思最优：用于最小驱动器，驱动器的关联是幸福的驾驶员协会强制执行一些规则，如司机不能在白班的工作，如果他在最后一个夜班工作过。输入：驱动程序的首选hollydays，最好轮班工作（阵列模式一样，看JPG GILE）输出：每个驾驶者的换挡，对于整个两个星期内，一些调试数据。在输出中 - 查找出“后移分配”，其他的东西都只是日志信息，你可以放心地忽略。
- 2022-02-04 23:42:00下载
- 积分：1
-
This is the application of genetic algorithms using the MATLAB language, I think...
这是遗传算法的应用，用的是MATLAB语言编写的，我觉的会对大家有用。-This is the application of genetic algorithms using the MATLAB language, I think the people will useful.
- 2022-02-14 23:11:24下载
- 积分：1
-
silconlab 的c语言sample
这个是基于8051单片机的silconlab对Xbee通信的源代码，里面详细的介绍了算法的基本用法。
- 2022-01-25 21:45:05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
