ij

首页 > TAG信息列表 > ij

ItemRank: A Random-Walk Based Scoring Algorithm for Recommender Engines

目录概符号说明本文方法 Gori M. and Pucci A. ItemRank: a random-walk based scoring algorithm for recommender engines. In International Joint Conferences on Artificial Intelligence (IJCAI), 2007. 概采用类似 PageRank 的方式进行推荐排序. 符号说明 \(\mathcal{U

[2017年NOIP提高组] 奶酪

函数判断是否相邻：直径与距离在进行深搜，标记路过的，若不是且相邻，再调用注意：第一个和底层需独立判断 #include<bits/stdc++.h>using namespace std;long long t,n,h,r,i,j,b[1005],falg,bj;struct ww{ long long x,y,z;}ab[1005];bool pd(int a,int b){ long long d=(ab[a].x-ab[b]

全排列问题

先定义两个数组，一个是用来存放解的，一个是用来标记该数是否用过。先判断格子是否填满了，如果填满，则输出。如果没有填满，则开始循环，在循环中先判断当前填的数是否用过，如果没有，则填入，搜索下一格。 #include<bits/stdc++.h>using namespace std;int a[10],b[10],n,ij;void ss(int sss)

多重背包

#include<iostream>//01背包问题状态转移方程dp[i][j]=max(dp[i-1 ][j],dp[i-1][j-w[i]]+p[i])区别:因为物品只能装一次所以在比较装入物品后的价值时使用i-1而不是i因为物品只能装一次 using namespace std; int main(){ int dp[101][101]={}; int n,c;//物品种类数,

代数余子式和伴随矩阵

代数余子式给定 $n$ 阶方阵 $A=(a_{ij})$，定义 $a_{ij}$ 的余子式 $M_{ij}$ 为 $A$ 划去第 $i$ 行第 $j$ 列后的行列式，$a_{ij}$ 的代数余子式 $A_{ij}=(−1)^{i+j}M_{ij}$ 。代数余子式可以用于行列式的求值，比如按第 $r$ 行展开： \[\det A=\sum_{c=1}^na_{rc}

[2007年NOIP普及组] Hanoi双塔问题

分析：根据样例可得x（n）=2+2*2…… 运用高精乘进行乘 #include<bits/stdc++.h>using namespace std;int c[600000],jw[600000];int i,n,a[600000],j,b[600000]={0,2},bj;int main(){ cin>>n; a[1]=2; bj=1; j=1; for(i=2;i<=n;i++){ for(int ijj=1;ijj<=j;ijj++){ a[ijj]=a[

P1008 [NOIP1998 普及组] 三连击

试题分析：将 1到9九个数分成 3 组，分别组成 3 个三位数，且使这 3个三位数构成 1:2:3的比例，数值较小，所以暴力枚举算法分析：因为4*3=12，超过了10，所以百位的数最多为3，因为1到9每个数都要出现，所以不超过1000，且要判断是否全部出现，可以通过从第一个数高位往下依次乘应乘的倍数，过10便分离高位

(SGP 2006)Quadratic Bending Model

A Quadratic Bending Model for Inextensible Surfaces(SGP 2006) 预备知识： Laplace-Beltrami operator: 在微分几何中，拉普拉斯算子可以推广为定义在曲面，或更一般地黎曼流形与伪流形上，函数的算子。这个更一般的算子叫做Laplace-Beltrami operator 1. Introduction Our contribu

线性代数学习笔记

目录行列式 1.1 二阶和三阶行列式 1.2 $n$ 阶行列式 1.3 行列式的性质 1.4 行列式按行 (列) 展开矩阵 2.1 线性方程组和矩阵 2.2 矩阵的运算 2.3 逆矩阵 2.4 克莱姆法则 2.5 矩阵的初等变换 2.6 高斯消元（学一点更一点qwq） 1.行列式 1.1 二阶和三阶行列式对于一个二元一次

LINGO整数规划法解TSP问题

LINGO程序：目前解的是6个城市的TSP问题，经过验证，30个城市的TSP问题基本可以做到秒解，50个城市的TSP问题也能在几秒内解出来。但是100个城市的TSP问题就没办法轻易解出来了。因为TSP问题的增长规模甚至超过指数级。注意看(2.2.1)的前三个条件都是很容易得出来的，分别表示：每个点的

列联表和卡方检验——统计学（九）

人们在研究某一个事物或现象的过程中，有些时候不只考察单独某一方面的信息，即可以把几个方面的信息联合起来一并考察。这个过程称为交叉分析。列联分析和对应分析就是交叉分析的两种典型形式，同时也是数据降维分析的一种形式。一、列联分析对于定类或定序等定性数据的描述和分析，通

Graph Convolutional Matrix Completion

目录概符号说明流程EncoderDecoder代码 van den Berg R. Kipf T. N. and Weling M. Graph convolutional matrix completion. In Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (SIGKDD), 2017. 概 GCN 在推荐系统中的一次

Forster预积分论文On-Manifold Preintegration for Real-Time Visual-Inertial Odometry公式推导

公式推导根据等式（10） \[R\ Exp(\phi)\ R^{T} = exp(R\phi^{\hat{}}R^{T}) = Exp(R\phi) \]推导等式（11） \[\begin{align*} Exp(\phi)R &= RR^{T}Exp(\phi)R \\ &= R(R^{T}Exp(\phi)R) \\ &= RExp(R^{T}\phi) \end{align*} \]等式（35）部分推导 \[\prod_{k=i}

图和网络分析

图与网络分析图的基本概念与模型 P.S. 只列一些陌生概念（为什么图的概念会有这么多版本

webstorm格式化

在.editorconfig文件中将一下代码复制进去 root = true [*] charset = utf-8 end_of_line = crlf indent_size = 4 indent_style = space insert_final_newline = false max_line_length = 120 tab_width = 4 ij_continuation_indent_size = 8 ij_formatter_off_tag = @formatter

Learning from Labeled and Unlabeled Data with Label Propagation

目录概符号说明主要内容收敛性证明和显式解 Zhu X. and Ghahramani Z. Learning from labeled and unlabeled data with label propagation. Technical Report CMU-CALD-02-107, 2002. 概本文通过将有标签数据传播给无标签数据, 并获得相应的无标签数据的一种可行标注. 所提出

cf1525 E. Assimilation IV

题意：有 n 个城市和 m 个点，给定每个城市到每个点的距离 $a_{ij}$。每秒进行一次操作，每次随机选一个没选过的城市建一个碑。每个碑的影响范围为一个圆，其半径每秒加一。求 n 秒后被影响的点数的期望。 $1\le n\le 20, 1\le m \le 5e4, 1\le a_{ij}\le n+1$ 思路：简单容斥。考

Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networ

目录概主要内容Attention network细节代码 Xiao J., Ye H., He X., Zhang H., Wu F. and Chua T. Attentional factorization machines: learning the weight of feature interactions via attention networks. In International Joint Conference on Artificial Intelligence (I

einsum函数介绍-张量常用操作

pytorch文档说明：$torch.einsum($$*equation*$$, $$operands*$$)$ 使用基于爱因斯坦求和约定的符号，将输入operands的元素沿指定的维数求和。einsum允许计算许多常见的多维线性代数阵列运算，方法是基于爱因斯坦求和约定以简写格式表示它们。主要是省略了求和号，总体思路是在箭头

全局路径规划 - 02 蚁群算法

算法流程：设整个蚂蚁群中蚂蚁的数量为$m$，城市的数量为$n$，城市$i$与城市$j$之间的相互距离为$d_{ij} \left( i,j=1,2,\cdots,n \right)$，$t$时刻城市与城市连接路径上的信息素浓度为$\tau_{ij} \left(t\right)$。初始时刻，各个城市间连接路径上的信息素浓度相同，不妨

DG方法：一维ODE

DG方法：一维ODE 有限差分方法Discrete Galerkin格式导出求解方式解的存在唯一性误差量度考虑一维ODE的边值问题： {

基于稀疏表示理论的图像去噪

基于稀疏表示理论的图像去噪 1 稀疏表示1.1 稀疏表示理论1.2 稀疏表示模型1.2.1 信号的稀疏模型1.2.2 小块图像的稀疏模型1.2.3 整体图像的稀疏模型1.2.4 基于字典学习的图像稀疏去噪模型 2 稀疏分解算法2.1 松弛优化算法BP算法 2.2 贪婪追踪算法2.2.1 匹配追踪/MP算法2.2

1.5 Factorization into A = LU 阅读笔记

矩阵的LU分解 reference的内容为唯一教程，接下来的内容仅为本人的课后感悟，对他人或无法起到任何指导作用。 Reference Course website: Factorization into A = LU | Unit I: Ax = b and the Four Subspaces | Linear Algebra | Mathematics | MIT OpenCourseWare Course video:

洛谷P8110题解

本文同步更新于洛谷博客题目描述给定两个长度为 $n$ 的序列 $\{a_n\},\{b_n\}$ 与一个整数 $k$。设矩阵 $A$ 满足 $A_{ij}=a_i\times b_j$，求 $A^k$ 的所有元素的和在模 $998244353$ 意义下的结果。题解（$k=0$ 的时直接输出 $n$，下面只讨论 $k>0$ 的情况）比

双指针算法

因为之前的时间不连续，这个双指针算法陆陆续续的学了好几天做题很吃力，今天一口气全部听完，收获也颇多，不知道做题怎样，下午刷题练练手hhh 以下是我个人心得，大佬看了勿喷（我害怕呜呜呜）双指针算法我觉得要注重两点，第一点：是否有单调性，ij需要往一个方向移动，如果不同方向这个我没试过hhh