Deep Learning in NLP （一）词向量和语言模型Posted on 2013 年 7 月 29 日by licstar　　这篇博客是我看了半年的论文后，自己对 Deep Learning 在 NLP 领域中应用的理解和总结，在此分享。其中必然有局限性，欢迎各种交流，随便拍。　　Deep Learning 算法已经在图像和音频领域取得了惊人的成果，但是在 NL

1. 狭义Jaccard相似度，计算两个集合之间的相似程度，元素的“取值”为0或1对集合A和B，Jaccard相似度计算如下：Jaccard（A, B）= |A intersect B| / |A union B|相似度数值在[0, 1]之间，当A==B的时候，为1. 优缺点，就是元素的取值只能是0或者1，无法利用更丰富的信息。由相似度，可以转换成Jaccard距离

第十章 在线消费决策这一张主要写消费者的心理，更贴近于心理学，而不是技术方面。1. 传统的决策模型是认为人们的兴趣始终如一，不会发生变化；不过现代研究表明，用户在决策过程中偏好并不稳定2. 人们会根据物品的展示环境做决策：同样的商品，放到不同环境下面展示，身价就不同3. 首位/新近效应：位于列表首位和末尾的物品，更容易被记住4. 框架效应：展现框架决定用户决策

原文地址：http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html深入FFM原理与实践del2z, 大龙 ·2016-03-03 09:00FM和FFM模型是最近几年提出的模型，凭借其在数据量比较大并且特征稀疏的情况下，仍然能够得到优秀的性能和效果的特性，屡

标题：Greedy Layer-Wise Training of Deep Networks作者：Yoshua Bengio发表于：NIPS’2006主要内容：很经典的文章了。在Hinton提出 stack RBM 组成的DBN之后，Bengio这篇文章一方面验证DBN模型，另一方面讨论可能的扩展。对于shallow architecture模型，如SVM，

计算所王斌老师翻译的，前两天在微博上炒得比较热。第一时间买来，通读了下。先说一下总体感觉吧。有些内容结合了map-reduce等大数据的流行处理方法，是比较“时尚的”。有些内容过于理论化，例如证明算法的上界和下界，而证明过程又不是严谨的过程，鸡肋有些内容，如：pagerank、推荐引擎等内容，比较浅显，不够深入全文读起来不够流畅，往往一段内容看了几遍，才看清楚说的内容；不知道是

原文地址：http://www.cnblogs.com/tornadomeet/p/3395593.html 　　前言：　　找工作时（IT行业），除了常见的软件开发以外，机器学习岗位也可以当作是一个选择，不少计算机方向的研究生都会接触这个，如果你的研究方向是机器学习/数据挖掘之类，且又对其非常感兴趣的话，可以考虑考虑该岗位，毕竟在机器智能没达到人类水平之前，机器学习可以作为一种

原文地址：http://blog.csdn.net/dllian/article/details/7530581 韩家炜http://www.cs.uiuc.edu/~hanj/著名数据挖掘书籍，《数据挖掘概念和技术》作者，在DM界久负盛名。他的个人主页里面有很多他的papers，都非常经典；还有他所教授的课程，可以下载课件学习。Jian Peiht

原文地址：http://blog.sina.com.cn/s/blog_4be9c1450100z95f.html转载：http://www.path8.net/tn/archives/3746终端异常退出后，后台进程不关闭的解决办法：1、使用nohup命令： nohup[argument…] & nohup可以屏蔽SIGHUP信号！2、使用 scree

原文地址：http://blog.chinaunix.net/uid-13327770-id-2902332.html2009-06-10 10:56:26分类： LINUX        OpenMP是专门针对共享地址空间的平行计算机提供的并行计算库，在Intel C++和Visual C++ 8.0里通过#pragma支持。用OpenMP，可以不必去