ChatScript是最近在搜对话系统资料的时候搜到的，貌似现在用得人并不多，能搜到的使用经验很少，不像AIML那样被大家熟知。浅浅的了解了ChatScript（后面简称CS）之后，发现这个对话框架做得挺好的，于是决定用一用它。CS对话框架的底层程序是由c语言实现的，而对话内容、对话逻辑的控制则通过脚本来完成。这样的话，开发新的bot时，可以只编写对话脚本，而不需要改动底层的代码。CS

python3现在越来越流行了，经常拿到python3的代码，但是本人的linux服务器一直是python2.7的。所以经常得改改。这里总结一下2.7运行3的程序时，需要修改的点。python2.7默认是ascii编码的，尽管加上了#coding:utf-8这样的提示，但经常读UTF-8文件时会报编码错误，但python3是不报的。所以，拿到python3的程序，首先加上# encoding=u

这周完全没有想法要看栈式编码器的，谁知误入桃花源，就暂且把栈式自编码器看了吧。由于手上有很多数值型的数据，仅仅是数据，没有标签，所以，迫切需要通过聚类抽出特征。无意间看到别人家公司的推荐系统里面用到sdae，于是，找了个ae程序，建了个sdae，跑一下自己的数据。希望sdae在后面的推荐系统中能有用。啰嗦了那么多，先看看原理吧。http://ufldl.stanford.edu/wiki/in

前面记录了安装过程，现在开始使用词向量。一．对tf的肤浅认识首先是tf的基本总结（时间有限，认识比较肤浅）：(1). 使用图来表示计算；(2). 在session中执行图；(3). 使用tensor来表示数据；(4). Variable维护状态(5). 使用feed和fetch可以为任意的操作赋值和获取数据。看起来是不是蛮简单的，但其实用起来不容易（可能本人道行

Bi-RNN把普通的RNN拆成两个方向，一个正向的，关联历史数据；一个逆向的，关联未来数据，这样对于同一时刻，可以使用输入的历史数据和未来数据。两个方向的RNN有各自的state，相互之间没有直接连接，只是在最后的两份输出一起连接到Bi-RNN的输出节点上。针对序列的后向传播叫做BPTT，BPTT在双向RNN中无法同时更新状态和输出。正向的state传播，从时间步1->T，反向从T->1传播

休息了8个月，终于开始了新的工作。到岗之前一直不知道新工作具体是做什么，只知道是算法工程师。好吧，既然是我喜欢的算法，又能差多远呢。到岗后，妞一个做UPS经典PID控制的菜鸟，居然被分配来做数字图像处理，模式识别之类的。而且所在的组是新组建的，没有任何技术积累。既然做就做吧!谁怕谁！菜鸟妞的第一项工具——opencv.

此文实际上是读论文《Collaborative Deep Learning for RecommenderSystem》的读书笔记。这一篇论文出自香港理工大学王灏博士，论文讲了一种紧耦合的混合式推荐算法。主要是栈式自编码器sdae和CTR通过贝叶斯图方式结合。1.      概述        当前推荐算法主要是基于内容（CB）、协同过滤（CF）、混合算法。基于内容的推荐依靠用户pro

neo4j是当下比较流行的图数据库，为什么流行呢？因为用起来真的很方便，笔者之前分别将知识存储在mysql、RDF、mongodb中，现在尝试neo4j，从初步尝试来看，在构建图谱、查询、路径搜索上，neo4j用起来比前3者都更简洁省心。neo4j分为两种版本，社区版和企业版，企业版支持分布式布局，可支持高并发，但是需要付费；社区版免费，但是只能单机部署，当图中结点和关系达到一定量后，查询速度会比