原文地址： ubuntu下linux内核源码阅读工具和调试方法总结 作者：liujunwei1234一 linux内核源码阅读工具      windows下当然首选source insight， 但是linux下就没有source insight这么优秀的工具了，但是也有不少的替代品，但觉绝对部分人会选择vim+ctags+cscope的组合，还有部分人或选择

4篇YouTube推荐系统论文, 一起来看看别人家的孩子最近一直在花时间研究和实现一些推荐算法，并且搭建系统在产品中进行测试。我读了一些关于Netflix等网站“如何使用Collaborative Filtering来预测用户对其他影片的打分”的文章，之前也曾在Pinterest目睹了Related Pin从传统的计算co-occurence，到深度学习以及两次打分系统的设计转变。但最...

数据挖掘的任务分为描述性任务（关联分析、聚类、序列分析、离群点等）和预测任务（回归和分类）两种。本文简介预测任务。数据挖掘预测与周易预测有相似之处。周易建立在阴阳二元论基础上，对天地万物进行性状归类（天干地支五行论），精确到可以对事物的未来发展做出较为准确的预测。许多学者认为周易理论依据是万事万物的相似性、关联性和全息性原理。这三个原理已被现代科学所证实。全息性是指事物的某一局部包含了整体的信

1 算法思想算法使用频繁项集性质的先验知识。Apriori使用一种称作逐层搜索的迭代方法，k项集用于探索（k+1）项集。首先，通过扫描数据库，累积每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合。该集合记作L1.然后，L1用于找频繁2项集的集合L2，L2用于找L3，如此迭代，直到不能再找到频繁k项集。找每个Lk需要一次数据库全扫描。Apriori性质可用于压缩搜索空间，提高频繁

最近阅读论文的过程中，发现推荐系统中的评价指标真的是五花八门，今天我们就来系统的总结一下，这些指标有的适用于二分类问题，有的适用于对推荐列表topk的评价。1、精确率、召回率、F1值我们首先来看一下混淆矩阵，对于二分类问题，真实的样本标签有两类，我们学习器预测的类别有两类，那么根据二者的类别组合可以划分为四组，如下表所示：上表即为混淆矩阵，其中，行表示预测的label值，列表示真实...

1 维度表在星型模式中，每个维度表都分配有一个代理键（surrogate key，SK）。该列是维度表的唯一标识符，是维度表的事实主键（这里事实主键是指事实意义上的主键，能唯一标识维度表中的一行），只在数据仓库中创建。代理键在星型模式的加载过程中分配和维护。代理键没有内在的含义，通常表现为一个整数。代理键有时指的是warehouse key，是维度表的主键。维度表中也包含类似操作型系统中存

1 算法思想算法使用频繁项集性质的先验知识。Apriori使用一种称作逐层搜索的迭代方法，k项集用于探索（k+1）项集。首先，通过扫描数据库，累积每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合。该集合记作L1.然后，L1用于找频繁2项集的集合L2，L2用于找L3，如此迭代，直到不能再找到频繁k项集。找每个Lk需要一次数据库全扫描。Apriori性质可用于压缩搜索空间，提高频繁

注：本文参考Inmon的著作，Inmon支持关系模型，因此下面的观点基本都是支持关系模型的。关于多维模型的内容可参考Kimball的著作《数据仓库工具箱：维度建模的完全指南》等。广泛采用的数据库设计模型有两种：关系型和多维型。在数据仓库的设计方法中关系模型是“Inmon”方法，多维模型是“Kimball”方法。在建立数据仓库过程中，对于数据库设计而言，建立关系型数据库是最佳的长期的方法；多维模

用深度学习（DNN）构建推荐系统 - Deep Neural Networks for YouTube Recommendations论文精读清凇勇敢闯一闯292 人赞了该文章这篇论文 Deep Neural Networks for YouTube Recommendations 是google的YouTube团队在推荐系统上DNN方面的尝试，发表在16年9月的RecSys会议。虽然去年读过，一

最近阅读论文的过程中，发现推荐系统中的评价指标真的是五花八门，今天我们就来系统的总结一下，这些指标有的适用于二分类问题，有的适用于对推荐列表topk的评价。1、精确率、召回率、F1值我们首先来看一下混淆矩阵，对于二分类问题，真实的样本标签有两类，我们学习器预测的类别有两类，那么根据二者的类别组合可以划分为四组，如下表所示：上表即为混淆矩阵，其中，行表示预测的label值，列表示真实...