算法实习报告

普里姆(Prim)算法：

假设N=（V，{E}）是连通网，V={V1，V2，…，Vn}是网的顶点集合，{E}是N上最小生成树中边的集合。引入顶点集合U和边的集合TE，U的初试状态为{V1}，它存放的是当前所得到的（还未完成的）最小代价生成树上所有顶点，TE的初始状态为{}。在Prim算法的每一步，都从所有的边{(u,v), u U, v V}中找出所有代价最小的边(u，v)，同时将v 并入U，（u，v）并入集合TE，直到U=V为止。此时TE中必有n-1条边，则T=（V，{TE}）为N的最小生成树。

克鲁斯卡尔(Kruskal)算法：

假设G=（V，{E}）是一个连通的无向图，其中V={1，2，…，n}，引入辅助集合T，来存放当前所形成的最小生成树的所有边，其初始状态为空，Kruskal算法是逐步给T添加不和T中的边构成回路的当前最小代价边。

具体步骤：

1、初始化T={ };

2、当T的边小于n-1时，做如下工作；

3、从E(G)中选取代价最小的边(v,u)并删除之；

4、若(v,u)不和T中的边一起构成回路，则将边(v,u)并入T中。

5、循环2~4步，直到T中所有顶点都在同一个连通图上为止。

拓扑排序的计算机实现：

方法：采用邻接表作为有向图的存储结构，且在头结点中增加一个有效

顶点的入度，入度为零的顶点既为滑有前趋的顶点，删除顶点及

弧可以使入度减1。

为避免重复检测入度为零的顶点，可另设一链表将所有入度为零的顶点链结到一起，每当输出便删除，反之，当有新的入度为零的顶

点则插入，这相当于一个栈。

算法：

1、查邻接表中入度为零的顶点，并进栈；

2、当栈非空时，进行拓扑排序；

（1）输出栈顶的顶点Vj并退栈；

（2）输出栈顶的顶点Vj的直接后继Vk(k=1,2,…)，将Vk的入度

减1，并将入度为0的顶点进栈。

（3）若栈空时输出的顶点数不足AOV-网中顶点数n，则说明有

向图中存在有向环，否则拓扑排序完毕。

Status TopologicalSort(ALGraph G)

{

FindInDegree(G,indegree);

InitStack(S);

for(i=0;i

if(!indegree(i))

push(S,i);

count=0;

if(!StachEmpty(s)){

pop(S,i);

printf(i,G.vertices(i),data);

count++;

for(p=G.vertices[i].firstarc; p ; p=p->nextarc){

k=p->adjvex;

if(!(--indegree(k)))

push(S,K);

}

}

if(count

return ERROR;

else

return OK;

}

迪杰斯拉特（Dijkstra）算法：

该算法提出了一个按路径递增的顺序产生最短路径的算法。首先引入一个辅助向量D，它的分量D(i)表示当前所有找到的从始点V到每个终点Vi的最短路径的长度。其初态为：若从V到Vi有弧，则D(i)为弧上权，否则为无穷大；显然，长度为

D(j)=Min{D(i)| Vi V}

的路径是从V出发的最短一条路径，此路径为(V, Vj )。

网络的可靠性

时间限制：3000 ms | 内存限制：65535 KB

难度：3

描述

A公司是全球依靠的互联网解决方案提供商，也是2010年世博会的高级赞助商。它将提供先进的网络协作技术，展示其”智能+互联“的生活概念，同时为参观者提供高品质的个人体验和互动，以”信息通信，尽情城市梦想”为主题贯穿。借助奇幻的剧场大屏幕和特效，展现信息通信技术的应用前景，通过生动形象的故事，向观众展示沟通无限制的未来社会前景。

为此，A公司为世博园的N个区域建立了视频通信系统，其中每个区域建立一个基站，编号依次为1，2，3...,N。通过基站之间的通信线路为各区域的参观者提供视频服务。

已知在各基站之间已铺设了一些光纤通讯线路，这些线路覆盖了所有的区域，即任意两个区域都可以进行视频传递。但为了节约成本开支，目前只铺设了N-1条线路，同时为了减轻各基站的信息传递负载，每个基站最多有三条光纤通讯线路与之连接。

但在通信系统试运行期间，A公司发现当某个基站发生故障时，会导致其它区域之间无法进行信息传递。为了提高该通信网络的可靠性，A公司准备在基站之间再新铺设一些光纤线路，使得任意一个基站故障后，其它基站之间仍然可以通讯。

由于铺设线路的成本昂贵，A公司希望新增设的光纤线路越少越好。A公司请求Dr. Kong 来完成这个任务

输入

有多组测试数据，以EOF为结束标志。

第一行：N 表示有N个基站

接下来有N-1行：X Y 表示第X个基站与第Y个基站直连

1<=N<=10000

输出

输出一个整数，表示至少需新铺设的光纤线路数

样例输入

8

1 3

3 2

5 3

5 4

5 6

2 7

2 8

样例输出

3

#include

#include

#include

using namespace std;

#define max 10001

int result[max];

int main()

{

int n,i,a,b;

while(scanf("%d",&n)!=EOF)

{

memset(result,0,sizeof(result));

for(i=0;i

{

scanf("%d%d",&a,&b);

result[a]++;

result[b]++;

}

int sum=0;

for(i=0;i<=n;i++)

{

if(result[i]==1)

sum++;

}

printf("%d\n",sum%2==0?sum/2:(sum/2+1));

}

return 0;

}

回溯法：

实际上是一种搜索问题的解的一种方法。所采用的方法一般为深度优先搜索法，所搜索的路径一般是沿树形结构进行搜索。在搜索过程中，首先会判断所搜索的树结点是否包含问题的解，如果肯定不包含，则不再搜索以该结点为根的树结点，而向其祖先结点回溯。否则进入该子树，继续按深度优先策略搜索。

1）递归回溯

利用递归算法对树进行深度遍历，并在遍历过程中不断地判断当前搜索的结点是否符合搜索条件，如果符合继续进行深度遍历，否则剪去该分支，搜索后续分支。

2）迭代回溯

采用树的非递归深度优先遍历方法也可实现回溯算法。非递归算法实际上是用循环来取代递归进行回溯。

装载问题

有一批共n个集装箱要装上2艘载重量分别为c1和c2的轮船，其中集装箱i的重量为wi,且∑wi<=C1+C2, 其中1<=i<=n。问是否可以找到一种装载方法是的这n个集装箱可以装载到这2艘轮船上。

装载问题是一个NP问题。在该问题中，可以采用下面的策略：

（1）首先尽可能的将第一艘轮船装满。

（2）看剩余的货物能否装入第2艘船。

为什么可采用上述策略呢？可以证明！

显然，对于策略（1）需要去搜索一些货物，使其货物重量尽可能的接近于第一艘轮船的装载量。这个搜索策略当然可采用回溯法实现。

// ModifyMaxLoading.cpp : 定义控制台应用程序的入口点。//

#include "stdafx.h"

#include

using namespace std;

template

Type MaxLoading(Type w[],Type c, int n);

template

class Loading{

friend Type MaxLoading(Type [], Type, int);

public:

void Backtrack(int i);

int n; //集装箱数量

//w-->集装箱重量数组;c-->第一艘轮船的载重量；cw-->当前载重量;bestw-->当前最优载重量

Type *w,c,cw,bestw;

//剩余集装箱重量

Type r;

};

int main()

{

int *w,c,n,bestw,tc, Maxw=0;

//输入必要的数据

cout<<"Please input the number of Container:";

cin>>n;

w=new int[n];

cout<<"Please input the weight of each container:";

for(int i=1;i<=n;i++){

cin>>w[i];

Maxw+=w[i];

}

cout<<"Please input the Maximum weight for the first ship:";

cin>>c;

cout<<"Please input the Maximum weight for the second ship:";

cin>>tc;

//调用函数实现回溯法搜索是否可以以最大限度的形式装载集装箱到第一艘船

bestw=MaxLoading(w,c,n);

//判断第2艘船是否可以装载下剩余的集装箱

if(Maxw-bestw

cout<<"the two ship can load all the container:"<

else

cout<<"the two ship cann't load all the container"<

return 0;

}

template

void Loading ::Backtrack(int i)

{

//如果已到叶子结点

if(i>n){

if(cw>bestw) bestw=cw;

return;

}

//搜索子树,减去第i个集装箱的重量为剩余集装箱重量

r-=w[i];

//访问左子树

if(cw+w[i]<=c){

cw+=w[i];

Backtrack(i+1);

cw-=w[i];

}

//如果当前已装载货物的重量+剩余集装箱货物的重量>当前已求的的最优解，则访问右子树

if(cw+r>bestw)

Backtrack(i+1);

//因为是访问右子树，因此第i个集装箱并不装载到轮船上

r+=w[i];

}

template

Type MaxLoading(Type w[],Type c, int n)

{

Loading X;

X.w =w;

X.c=c;

X.n =n;

X.bestw=0;

X.cw=0;

//求解剩余集装箱的重量

X.r=0;

for(int i=1;i<=n;i++)

X.r+=w[i];

X.Backtrack(1);

return X.bestw;

}

上述算法只求的了最优解，但具体是元素构成了最优解呢并不知道。因此可通过增加两个成员变量的方法来记录求解出的最优解。一个是x,另一个是bestx。X用于记录从根到当前结点的路径，bestx记录当前最优解。

// XModifyMaxLoading.cpp : 定义控制台应用程序的入口点。

#include "stdafx.h"

#include

using namespace std;

template

Type MaxLoading(Type w[],Type c, int n,int bestx[]);

template

class Loading{

friend Type MaxLoading(Type [], Type, int, int []);

public:

void Backtrack(int i);

int n; //集装箱数量

//x-->当前解bestx-->当前最优解

int *x,*bestx;

//w-->集装箱重量数组;c-->第一艘轮船的载重量；cw-->当前载重量;bestw-->当前最优载重量

Type *w,c,cw,bestw;

//剩余集装箱重量

Type r;

};

int main()

{

int *w,c,n,bestw,tc, Maxw=0,*bestx;

//输入必要的数据

cout<<"Please input the number of Container:";

cin>>n;

w=new int[n+1];

bestx=new int [n+1];

cout<<"Please input the weight of each container:";

for(int i=1;i<=n;i++){

cin>>w[i];

Maxw+=w[i];

}

cout<<"Please input the Maximum weight for the first ship:";

cin>>c;

cout<<"Please input the Maximum weight for the second ship:";

cin>>tc;

//调用函数实现回溯法搜索是否可以以最大限度的形式装载集装箱到第一艘船

bestw=MaxLoading(w,c,n,bestx);

//判断第2艘船是否可以装载下剩余的集装箱

if(Maxw-bestw

cout<<"the two ship can load all the container:"<

else

cout<<"the two ship cann't load all the container"<

return 0;

}

template

void Loading ::Backtrack(int i)

{

//如果已到叶子结点

if(i>n){

if(cw>bestw){

//如果当前解是目前所找到的最优解，将当前解作为最优解保存到bestx 中

for(int j=1;j<=n;j++)

bestx[j]=x[j];

bestw=cw;

}

return;

}

//搜索子树,减去第i个集装箱的重量为剩余集装箱重量

r-=w[i];

//访问左子树

if(cw+w[i]<=c){

//用1表示第i个结点是被选中的结点

x[i]=1;

cw+=w[i];

Backtrack(i+1);

cw-=w[i];

}

//如果当前已装载货物的重量+剩余集装箱货物的重量>当前已求的的最优解，则访问右子树

if(cw+r>bestw){

//该结点未被选中

x[i]=0;

Backtrack(i+1);

}

//因为是访问右子树，因此第i个集装箱并不装载到轮船上

r+=w[i];

}

template

Type MaxLoading(Type w[],Type c, int n,int bestx[])

{

Loading X;

X.w =w;

X.c=c;

X.n =n;

X.bestw=0;

X.bestx=bestx;

X.cw=0;

//分配n+1个空间用于存储每个集装箱是否被选中的标志

X.x=new int[n+1];

//求解剩余集装箱的重量

X.r=0;

for(int i=1;i<=n;i++)

X.r+=w[i];

X.Backtrack(1);

delete [] X.x;

return X.bestw;

}

感想：

在这短暂而又漫长的二十天实习中，我们在相同的兴趣下一起训练，一起A题，一起学习，在这当中我们学到了很多，也提高了很多。

在实习过程中，我认识了许多以前很少听说和接触的算法，虽然还不是很深透的理解，但是在不断地钻研和请教中编程能力的确有了很大的提高。

在编程的时候，面对每个问题都需要自己想出合适的思路和算法，在无数次的wrong answer后看到令你欣喜若狂的accepted，那种心情简直兴奋的无法形容。

同时以小组的形式做题更增强了我的团队合作能力和组织能力，团队合作总是比孤军奋战强。看到同伴的努力自己自然而然地积极起来，看到同伴提交的题目通过后自然增强了团队的自信心。通过团队合作获得的胜利喜悦之情无疑是这个夏日里最凉爽的清泉。

在这里，我也要感谢各位一起集训的ACM校队的大神们给我们仔细地讲解题目，在QQ群里不断更新，很多都是有用的信息。

这次实习是人生中一大宝贵财富。

企业融资渠道及其资本成本计算方式分析

企业融资渠道及其资本 成本计算方式分析 Corporation standardization office #QS8QHH-HHGX8Q8-GNHHJ8

企业融资渠道及其资本成本计算方式分析 摘要：随着我国经济体制的不断改革发展，资本市场也迎来了发展的春天，企业的融资渠道也逐渐多了起来，但是不同的融资渠道其资本成本计算方式也不一样，资金获取的难易程度也不一样。这就要求企业在融资时需将税收等因素进行综合考虑，进而形成适合企业自身需求的最佳资本结构。本文分析了各类融资来源和特征，进一步指出各类融资成本的计算方式，为企业融资提供参考。 关键词：企业；融资渠道；成本计算 一、融资的方式和特征 （一）财税融资 财政补贴和税收优惠是政府财税的融资来源。财政补贴分为有偿补贴和无偿补贴两种，有偿补贴又包括低息贷款和参政资金参股，无偿补贴包括财政补助、科技补助以及政府奖励等，其在一定程度上帮助企业提高了利润空间，增加了企业的资本权益。而有偿的财政补贴中包含部分无偿补贴，可以将低息贷款理解成部分贷款利息的无偿补贴，通过财政参股便是政府将部分收益转给了政府，这也是一种无偿补贴。 （二）债务融资

债务融资包括银行借贷、明见借贷、发行债券、贸易融资以及对供应商的预付款、对客户的预收款和内部各种集资款等。债务的融资来源较为广泛，融资渠道包括直接融资和间接融资，直接融资又包括债券市场、民间借贷、融资租赁、供应商、客户以及内部员工等多种渠道，间接融资主要以银行等金融机构为渠道。 其中，从客户和经营商处获取的资金在经营融资范畴之内。 商业信用融资、贸易融资以及通过物流银行的融资都属于经营融资。商业信用融资是指在商品交易的过程中出现延期交货而产生预收货款，进而形成借贷关系进行融资，是企业短期融资的一种；贸易融资指的是企业运用一定的贸易手段和金融方式使现金流量增加的融资方式；物流银行融资是通过质押贷款，实现供应链上的融资。 （三）股权融资 股权融资主要来源于对内融资和对外融资。对内融资是指理论累积和计提折旧；对外融资是指吸引风险投资及资本市场发行的股票融资，股票又分为优先股和普通股。股权融资的优点在于不必还本付息，但是具有一定的风险性且发行费用较高。 二、各类融资成本的计算方式 （一）一般公式的计算

推荐系统的架构

本文从互联网收集并整理了推荐系统的架构，其中包括一些大公司的推荐系统框架（数据流存储、计算、模型应用），可以参考这些资料，取长补短，最后根据自己的业务需求，技术选型来设计相应的框架。后续持续更新并收集。。。 图1 界面UI那一块包含3块东西：1) 通过一定方式展示推荐物品(物品标题、缩略图、简介等)；2) 给的推荐理由；3) 数据反馈改进个性化推荐；关于用户数据的存放地方：1)数据库/缓存用来实时取数据；2) hdfs文件上面； 抽象出来的三种推荐方式 图2

图3 图3中，推荐引擎的构建来源于不同的数据源(也就是用户的特征有很多种类，例如统计的、行为的、主题的)+不同的推荐模型算法，推荐引擎的架构可以试多样化的(实时推荐的+离线推荐的)，然后融合推荐结果（人工规则+模型结果），融合方式多样的，有线性加权的或者切换式的等 图4 图4中，A模块负责用户各类型特征的收集，B模块的相关表是根据图3中的推荐引擎来生成的，B模块的输出推荐结果用来C模块的输入，中间经过过滤模块(用户已经产生行为的物品，非候选物品，业务方提供的物品黑名单等)，排名模块也根据预设定的推荐目标来制定，最后推荐解释的生成（这是可能是最容易忽视，但很关键的一环，微信的好友推荐游戏，这一解释已经胜过后台的算法作用了） HULU的推荐系统

总结：这个也就跟图3有点类似了，葫芦的推荐系统，至少在他blog中写的比较简单。更多的是对推荐系统在线部分的一种描述，离线部分我猜想也是通过分布式计算或者不同的计算方式将算法产生的数据存储进入一种介质中，供推荐系统在线部分调用。系统的整个流程是这样的，首先获取用户的行为，包括(watch、subscribe、vote)，这样行为会到后台获取show-show对应的推荐数据。同时这些行为也会产生对应的topic，系统也会根据topic 到后台获取topic-show对应的推荐数据。两种数据进行混合，然后经过fliter、explanation、ranking这一系列过程，最后生成用户看到的推荐数据。 淘宝的推荐系统(详细跟简单版)

基于协同过滤的推荐算法及代码实现

基于协同过滤的推荐算法与代码实现 什么是协同过滤？ 协同过滤是利用集体智慧的一个典型方法。要理解什么是协同过滤(Collaborative Filtering, 简称CF)，首先想一个简单的问题，如果你现在想看个电影，但你不知道具体看哪部，你会怎么做？大部分的人会问问周围的朋友，看看最近有什么好看的电影推荐，而我们一般更倾向于从口味比较类似的朋友那里得到推荐。这就是协同过滤的核心思想。 协同过滤一般是在海量的用户中发掘出一小部分和你品位比较类似的，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的其他东西组织成一个排序的目录作为推荐给你。当然其中有一个核心的问题： 如何确定一个用户是不是和你有相似的品位？ 如何将邻居们的喜好组织成一个排序的目录？ 简单来说： 1. 和你兴趣合得来的朋友喜欢的，你也很有可能喜欢； 2. 喜欢一件东西A，而另一件东西B 与这件十分相似，就很有可能喜欢B； 3. 大家都比较满意的，人人都追着抢的，我也就很有可能喜欢。 三者均反映在协同过滤的评级（rating）或者群体过滤（social filtering）这种行为特性上。 深入协同过滤的核心 首先，要实现协同过滤，需要一下几个步骤： 1. 收集用户偏好 2. 找到相似的用户或物品 3. 计算推荐 (1)收集用户偏好 要从用户的行为和偏好中发现规律，并基于此给予推荐，如何收集用户的偏好信息成为系统推荐效果最基础的决定因素。用户有很多方式向系统提供自己的偏好信息，而且不同的应用也可能大不相同，下面举例进行介绍：

以上列举的用户行为都是比较通用的，推荐引擎设计人员可以根据自己应用的特点添加特殊的用户行为，并用他们表示用户对物品的喜好。 在一般应用中，我们提取的用户行为一般都多于一种，关于如何组合这些不同的用户行为，基本上有以下两种方式： 将不同的行为分组：一般可以分为“查看”和“购买”等等，然后基于不同的行为，计算不同的用户/物品相似度。类似于当当网或者Amazon 给出的“购买了该图书的人还购买了...”，“查看了图书的人还查看了...”

计算方法第三次上机实习报告

实验报告 课程名称： 计算方法 指导老师： 太英 成绩： 实验名称： 第三次上机作业 实验类型： matlab 同组学生： 一、实验目的和要求（必填） 二、实验容和原理（必填） 三、主要仪器设备（必填） 四、操作方法和实验步骤 五、实验数据记录和处理 六、实验结果与分析（必填） 七、讨论、心得 一、实验目的 用龙贝格算法计算积分I =∫ssss s ss 01 ，要求误差不超过ε=12 ×105 二、实验原理 龙贝格算法是由递推算法得来的。由梯形公式得出辛普森公式得出柯特斯公式最后得到龙贝格公式。设将求积区间[a ，b]分为n 个等分，则一共有n+1个等分点,k x a kh =+,0,1,b a h k n -= =，n 。这里用n T 表示复化梯形法求得的积分 值，其下标n 表示等分数。 先考察下一个字段[1,k k x x +]，其中点()112 1 2 k k k x x x ++= +，在该子段上二分前后两个积分值 ()()112 k k h T f x f x += +???? ()()21124k k k h T f x f x f x ++? ??? =+ +?? ??????? 显然有下列关系 2112122k h T T f x +? ?=+ ??? 将关系式关于k 从0到n-1累加求和，即可得递推公式1 210 2122n n n k k h T T f x -+=?? =+ ??? ∑

需要强调指出的是，上式中的b a h n -= 代表二分前的步长，而12 12k x a k h +? ?=++ ??? 根据梯形法的误差公式，积分值n T 的截断误差大致与2h 成正比，因此步长减半后误差将减至四分之一，即有 211 14 n n T T -≈- 将上式移项整理，知 221 1()3 n n n T T T -≈- 按上式，积分值2n T 的误差大致等于21 ()3 n n T T -，如果用这个误差值作为2n T 的 一种补偿，可以期望，所得的()222141 333 n n n n n T T T T T T =+ -=-应当是更好的结果。 组合得到的近似值T 直接验证，用梯形二分前后的两个积分值n T 和2n T 按式组合， 结果得到辛普森法的积分值241 33 n n n S T T =- 再考察辛普森法。其截断误差与4h 成正比。因此，若将步长折半，则误差相应的减至十六分之一。既有 21 16n n I S I S -≈- 由此得 21611515 n n I S S ≈ - 不难验证，上式右端的值其实就等于n C ，就是说，用辛普森法二分前后的两个积分值n S 和2n S ，在按上式再做线性组合，结果得到柯特斯法的积分值n C ，既有 2161 1515n n n C S S ≈ - 重复同样的手续，依据斯科特法的误差公式可进一步导出龙贝格公式 2641 6363 n n n R C C ≈ - 在步长二分的过程中运用公式加工三次，就能将粗糙的积分值n T 逐步加工成精度较高的龙贝格n R ，或者说，将收敛缓慢的梯形值序列n T 加工成熟练迅速的龙贝 格 值序列n R ，这种加速方法称龙贝格算法。 三、实验过程 1.流程图

如何计算资金成本

如何计算资金成本？ 资金成本主要分为个别资金成本、主权资金成本和综合资金成本。 个别资金成本的计算： （1）借款成本——借款筹资的资金成本主要表现在利息方面。 计算公式：K=I×（1-T）；式中：K—借款成本率，I—借款年利率，T—所得税率 例：某企业从银行取得一笔三年期的借款，年利率为15%，每年付息一次，到期还本付息。企业所得税率为33%，则借款的成本率为：K=15%×(1-33%)=10.05% （2）债券资金成本——债券资金成本不仅考虑债券利息，还要考虑发行债券的筹资费率。计算公式：；公式中：K—债券资金成本率；L—债券各年利息额；T—所得税率；Q—债券发行总额；f—债券筹资费率。 例：某企业发行5年七债券，面值总额为5000万元，平价发行，已知债券票面利率为10%，发行费率为3%，所得税率33%，问该债券的资金成本率为多少？ 债券各年利息额=5000×10%=500（万元） 则，该债券的资金成本率为： 主权资金成本的计算： （1）普通股资金成本计算，假定股利每年均按固定数额支付，计算公式： ；--------（1）式中：K—普通股资金成本率；D—普通股股利；Q—普通股股本总额；f—筹资费率。如果股利股息逐年提高，则：；G—增加股息率 （2）优先股的资金成本计算，优先股每年的股利是一定的，所以，计算公式同上（1）。例：某企业发行总面额为400万元的优先股，其年股利率为14%，筹资费率为3%，则， 优先股资金成本率为： 综合资金成本计算：综合资金成本率亦即加权平均资金成本率，它是以各种资金来源占企业全部资金的比重为权数，对个别资金成本和主权资金成本进行加权平均计算的结果， 计算公式：；式中：K—综合资金成本率；Wi—某项来源的资金额占全部资金额的比重；Ki —某项资金来源的资金成本。 例：某企业共有资金额10000万元，其中，通过银行长期借款1000万元，借款年利率10%；发行长期债券5000万元，债券年利率12%，筹资费用率为2%；发行普通股票4000万元，第一年股利率为10%，以后逐年递增3%，其筹资费率为3%，已知企业所得税率为33%，则该企业综合资金成本计算如下： 长期借款资金成本率：K=I×（1-T）=10%×（1-33%）=6.7% 长期债卷资金成本率： 普通股的资金成本率： 三种资金在全部资金中的权重：长期借款10%；长期债卷50%；普通股40% 所以，综合资金成本率： 资本成本的计算 （1）企业发行长期债券，面值800万元，发行价格为700万元，筹资费率2%，债券年利率为10%，所得税率为25%。计算该债券的资本成本。 （2）企业向银行借款200万元。筹资费率1%，补偿性余额为10%，借款年利率为8%，所得税率为25%。计算该借款的资本成本。 （3）公司发行优先股150万元，年股利率为12.5%，预计筹资费用为5万元。计算该优先股的资本成本。

个性化推荐系统研究综述

个性化推荐系统研究综述 【摘要】个性化推荐系统不仅在社会经济中具有重要的应用价值，而且也是一个非常值得研究的科学问题。给出个性化推荐系统的定义，国内外研究现状，同时阐述了推荐系统的推荐算法。最后对个性化推系统做出总结与展望。 【关键词】推荐系统；推荐算法；个性化 1.个性化推荐系统 1.1个性化推荐系统的概论 推荐系统是一种特殊形式的信息过滤系统（Information Filtering），推荐系统通过分析用户的历史兴趣和偏好信息，可以在项目空间中确定用户现在和将来可能会喜欢的项目，进而主动向用户提供相应的项目推荐服务[1]。传统推荐系统认为推荐系统通过获得用户个人兴趣，根据推荐算法，并对用户进行产品推荐。事实上，推荐系统不仅局限于单向的信息传递，还可以同时实现面向终端客户和面向企业的双向信息传递。 一个完整的推荐系统由3个部分组成：收集用户信息的行为记录模块，分析用户喜好的模型分析模块和推荐算法模块，其中推荐算法模块是推荐系统中最为核心的部分。推荐系统把用户模型中兴趣需求信息和推荐对象模型中的特征信息匹配，同时使用相应的推荐算法进行计算筛选，找到用户可能感兴趣的推荐对象，然后推荐给用户。 1.2国内外研究现状 推荐系统的研宄开始于上世纪90年代初期，推荐系统大量借鉴了相关领域的研宄成果，在推荐系统的研宄中广泛应用了认知科学、近似理论、信息检索、预测理论、管理科学以及市场建模等多个领域的知识。随着互联网的普及和电子商务的发展，推荐系统逐渐成为电子商务IT技术的一个重要研究内容，得到了越来越多研究者的关注。ACM从1999年开始每年召开一次电子商务的研讨会，其中关于电子商务推荐系统的研究文章占据了很大比重。个性化推荐研究直到20世纪90年代才被作为一个独立的概念提出来。最近的迅猛发展，来源于Web210技术的成熟。有了这个技术，用户不再是被动的网页浏览者，而是成为主动参与者[2]。 个性化推荐系统的研究内容和研究方向主要包括：（1）推荐系统的推荐精度和实时性是一对矛盾的研究；（2）推荐质量研究，例如在客户评价数据的极端稀疏性使得推荐系统无法产生有效的推荐，推荐系统的推荐质量难以保证；（3）多种数据多种技术集成性研究；（4）数据挖掘技术在个性化推荐系统中的应用问题，基于Web挖掘的推荐系统得到了越来越多研究者的关注；（5）由于推荐系统需要分析用户购买习惯和兴趣爱好，涉及到用户隐私问题，如何在提供推荐服务的

个性化推荐算法概述与展望

Hans Journal of Data Mining 数据挖掘, 2019, 9(3), 81-87 Published Online July 2019 in Hans. https://www.wendangku.net/doc/474860716.html,/journal/hjdm https://https://www.wendangku.net/doc/474860716.html,/10.12677/hjdm.2019.93010 Overview and Prospect of Personalized Recommendation Algorithm Xinxin Li Dalian University of Foreign Languages, Dalian Liaoning Received: Jun. 19th, 2019; accepted: Jul. 2nd, 2019; published: Jul. 9th, 2019 Abstract In recent years, the word “information overload” frequently appears in people’s vision, it has be-come a hot word in the field of computer, and it is also an important problem that researchers ur-gently need to solve. In order to solve the problem of information overload, researchers in the field of computer constantly optimize the personalized recommendation algorithm, strive to re-duce the difficulty of information retrieval for users, to provide users with the best personalized recommendation results. This paper gives a brief overview of the personalized recommendation methods which are widely used and common. Combined with the experience of using personalized recommendation algorithm to generate results in daily life, the author puts forward expectations for the development of personalized recommendation algorithm in the future. Keywords Personalized Recommendation, Collaborative Filtering, Hybrid Recommendation 个性化推荐算法概述与展望 李鑫欣 大连外国语大学，辽宁大连 收稿日期：2019年6月19日；录用日期：2019年7月2日；发布日期：2019年7月9日 摘要 近年来，“信息过载”一词频繁出现在人们的视野中，它成为了计算机相关领域中的热门词汇，同时它也是研究人员急待解决的重要问题。为解决信息超载的问题，计算机领域研究人员不断优化个性化推荐

会计核算岗位实习报告

会计核算岗位实习报告 一、实习目的 实习目的是，通过会计核算相关工作岗位实习使我了解以后再会计核算相关工作岗位工作的特点、性质，学习体验会计核算相关岗 位工作的实际情况，学习与积累工作经验，为以后真正走上会计核 算相关工作岗位做好岗前准备。 同时通过会计核算相关工作岗位的实习，熟悉实际工作过程的运作体系和管理流程，把自己所学会计核算工作岗位理论知识应用于 实际，锻炼会计核算工作岗位业务能力和社会交际实践能力，并在 工作中学习会计核算相关工作岗位的新知识，对自己所学的知识进 行总结并提升，以指导未来在会计核算相关工作岗位的学习重点和 发展方向。 二、实习时间 201×年03月01日～201×年06月15日 (修改成自己会计核算相关工作岗位实习时间) 三、实习地点 xx市经济开发区江南大道 (修改成自己会计核算工作岗位实习地点) 四、实习单位 xx省苏杭教育集团(修改成自己会计核算相关工作岗位实习单位)此处可以继续添加具体你会计核算工作岗位实习单位的详细介绍 五、实习主要内容 我很荣幸进入xxx教育集团(修改成自己会计核算相关工作岗位实习单位)开展会计核算岗位实习。为了更好地适应从没有会计核算

岗位工作经验到一个具备完善业务水平的工作人员，实习单位主管 领导首先给我们分发会计核算相关工作岗位从业相关知识材料进行 一些基础知识的自主学习，并安排专门的老前辈对会计核算岗位所 涉及的相关知识进行专项培训。 在实习过程，单位安排的了杜老师作为实习指导，杜老师是位非常和蔼亲切的人，他从事会计核算相关工作岗位领域工作已经有二 十年。他先带领我们熟悉实习工作环境和会计核算相关工作岗位的 工作职责和业务内容，之后他亲切的和我们交谈关于实习工作具体 性质以及会计核算相关工作岗位容易遇到的问题。杜老师带领我们 认识实习单位的其他工作人员，并让我们虚心地向这些辛勤地在会 计核算相关工作岗位上的前辈学习，在遇到不懂得问题后要积极请 教前辈。毕竟是人生第一次在会计核算工作岗位上，所以真正掌握 这一份工作是需要一个过程的。一开始我对实际会计核算岗位的工 作内容比较陌生，都不太清楚自己的工作范围和职责，对实习单位 的情况也不 太了解，不过杜老师会告诉我该怎样处理自己在会计核算岗位上遇到的问题。慢慢的我也就熟悉了自己的会计核算岗位工作内容， 在会计核算岗位上的一些棘手问题也能自己独立解决，每天把工作 做得井井有条。 在单位实习期间，我从事的会计核算工作岗位相关的工作之外，还负责协助其他部门的日常工作，包括制定计划，利用新学习的会 计核算相关工作岗位业务知识处理相关文书。 六、实习总结 对于第一次在会计核算相关工作岗位的的我来说，还没有足够的社会经验。经过了这半年来的会计核算相关工作岗位实习，我学到 了很多，感悟了很多。特别是在实习单位领导和会计核算工作岗位 的相关同事的关心和指导下，认真完成领导交付的工作，和同事之 间能够通力合作，关系相处融洽而和睦。在工作中积极学习新知识、技能，注重自身发展和进步，我学会了很多会计核算相关工作岗位 理论实践技能，增加了会计核算相关工作岗位相关工作经验。现将 这两个月会计核算岗位实习工作遇到的困难及心得总结如下：

资本成本练习题

第四章资本成本 ●学习目标与要求 1.理解资金成本的概念、内容、作用。资本成本是指企业筹措和使用资金需要付出的代价。广义上，企业不论筹集和使用短期的资金还是长期的资金，都要付出代价。狭义的资本成本仅指筹集和使用长期资金的成本。资本成本包括用资费用和筹资费用两部分。资本成本的意义是：（1）资本成本是比较筹资方式，进行资本结构决策的重要依据。（2）资本成本是评价投资效益，比较投资方案的主要标准。（3）资本成本是评价企业经营管理业绩的客观依据。 2.掌握个别资本成本的计算方法。个别资本成本是指各种长期资本的成本，包括债务资本成本和权益资本成本。债务资本成本如长期借款成本、债券成本等，权益资本成本有优先股成本、普通股成本、留存收益成本等。 3.掌握综合资本成本的计算方法。综合资本成本一般是以各种资本的比重为权数，对个别资金成本进行加权平均确定的。权数的选择主要有账面价值、现行市价、目标价值和修正账面价值。 4.理解边际资本成本的内涵，掌握其计算方法。资本的边际成本是指资本每增加一个单位而增加的成本，是企业追加筹资的成本。企业追加筹资时有时可能只采取某一种筹资方式。在筹资数额较大，或在目标资本结构既定的情况下，往往通过多种筹资方式的组合来实现。这时，边际资本成本需要按加权平均法来计算，而且其资本比例必须以市场价值确定。 ●学习重点与难点 学习重点：正确理解各种资本成本的概念，掌握资本成本的计算方法。 学习难点：资本成本是财务管理中的一个重要概念，其应用非常广，因此，正确应用资本成本是学习的难点。 ●练习题 一、单项选择题 1.不需要考虑发行成本影响的筹资方式是（）。 A.发行债券 B.发行普通股 C.发行优先股 D.留存收益 2.从资本成本的计算与应用价值看，资本成本属于（）。 A.实际成本 B.计划成本 C.沉没成本 D.机会成本 3.在个别资本成本的计算中,不必考虑筹资费用影响因素的是（）。

基于内容的推荐算法

基于内容的推荐算法（Content-Based Recommendation）1.基本思想 基本思想就是给用户推荐与他们曾经喜欢的项目内容相匹配的新项目。 基于内容的推荐的基本思想是：对每个项目的内容进行特征提取(FeatureExtraction)，形成特征向量(Feature Vector)；对每个用户都用一个称作用户的兴趣模型(User Profile)的文件构成数据结构来描述其喜好；当需要对某个用户进行推荐时，把该用户的用户兴趣模型同所有项目的特征矩阵进行比较得到二者的相似度，系统通过相似度推荐文档。 （基于内容的推荐算法不用用户对项目的评分，它通过特定的特征提取方法得到项目特征用来表示项目，根据用户所偏好的项目的特征来训练学习用户的兴趣模型，然后计算一个新项目的内容特征和用户兴趣模型的匹配程度，进而把匹配程度高的项目推荐给用户。） 2.基于内容的推荐层次结构图：

CB的过程一般包括以下三步： （1）Item Representation：为每个item抽取出一些特征（也就是item的content 了）来表示此item；对应着上图中的Content Analyzer。 （2）Profile Learning：利用一个用户过去喜欢（及不喜欢）的item的特征数据，来学习出此用户的喜好特征（profile）；对应着上图中的Profile Learner。 （3）Recommendation Generation：通过比较上一步得到的用户profile与候选item 的特征，为此用户推荐一组相关性最大的item。对应着上图中的Filtering Component。 3.详细介绍上面的三个步骤： 3.1 Item Representation 项目表示：对项目进行特征提取，比如最著名的特征向量空间模型，它首先将一份文本（项目）以词袋形式来表示，然后对每一个词用词频-逆向文档频率（TF-IDF）来计算权重，找出若干权重较大的词作为关键词（特征）。每个文本（项目）都可以表示成相同维度的一个向量 TF-IDF词频-逆文档频率计算： TF 词项t在文档d中出现的次数，df 表示词项t在所有文档出现的次数，idf 为反向文档频率，N为文档集中所有文档的数目。 TF-IDF公式同时引入词频和反向文档频率，词频TF表示词项在单个文档中的局部权重，某一词项在文档中出现的频率越高，说明它区分文档内容的属性越强，权重越大。IDF表示词项在整个文档集中的全局权重，某一词项在各大文档都有出现，说明它区分文档类别属性的能力越低，权值越小。

计量实习报告

计量实习报告 LG GROUP system office room 【LGA16H-LGYY-LGUA8Q8-LGA162】

一、正文 （一）概述 1.实习单位的基本情况 光阴似箭，日月如梭。不知不觉中顶岗实习八个月的时间很快就要过去了。 自从2011年7月末来到中国水利水电第一工程局有限公司实习至今已经有8个多月的时间了。我们的公司性质属于“央企”，现在在南宁的主要项目是城市污水管网整治和改善方面的工程。我们主要负责的项目是"可利江管道三标污水工程".该项目部的主要人员有项目经理、技术负责人、安全员、施工员、测量员、资料员、计量员、会计；监理方有总监陆工、现场监理梁工。 2.我的实习岗位及实习任务 在该项目部我的实习岗位是计量员和资料员，但我主要负责的工作就是负责申请工程进度款。计量它是属于预算的其中一部分，即中期预算。在这半年多的实习时间内我独自完成了四到五次的计量和相关一部分公路方面的资料。在这短短的八个月实习中，我受益匪浅，实习过程中的酸、甜、苦、辣，让我学到了很多在学校学不到的东西。{400） （二）主体 1.个人完成的主要工作 在实习这一段时间里我主要是在做工程进度款方面的工作，其中我还跟着师傅学做一些施工方面的资料。 我刚来到公司，一切对我来说都是陌生的，环境、同事、以及我所要做的工作。计量员在学校从没有听说过，当时我也不清楚计量主要是要干什么的。来的第一天经理就拿了一本合同来叫我看。我就按着经理的意思我把合同翻了两遍，也没有翻出个所以然来。来公司两天就有一种很想跑的冲动。但我心里想：这是我第一次正式与社会接轨踏上的工作岗位，开始肯定是与以往的生活完全不一样。每天在规定的时间上下班，上班期间要认真准时地完成自己的工作任务，不能草率敷衍了事。我们的肩上开始扛着责任，凡事得谨慎小心。这是我必须要做到的事情。 其实在学校的算法和外面的算法是不一样，刚从学校出来的我，可以说是什么都不懂，一切得从零做起。我们经理告诉我要搞好计量，首先要看懂合同，计量就是根据合同来做。所以开始上班的第一周我就把合同的各种条款以及相关的重要的信息都理清楚了。第二周我就把我们工地的图纸看过和下工地做一些实践。首先我来说一下看图纸。为了能更明白的了解设计者的设计原理，我将办公室里的图集看了个遍，对图纸进行了深入的研究，在这个过程中还提出了很多有见解性的问题，我和大家也进行了激烈的讨论，争取把每处不明白的地方都弄明白。因为实习过后就要进行工作了，看不懂图

(音频算法工程师)BIGO-2019届春季实习生招聘笔试题目

BIGO 2019春季实习生招聘笔试题（音频算法工程师）姓名：________________ 学校：____________________ 专业：______________________ 编号：________________ 手机号码：______________________ 评分：____________ 共6页，总分共120分，笔试时间共60分钟。 一、请简要解释一下基音周期、共振峰、掩蔽效应以及MFCC系数。（20分） 二、请画出回声抵消的算法框图并进行简要介绍。(15分)

三、如下图语谱图所示的一段信号，其信号采样率应该是多少？如果要将这段信号转换为原 有采样率的一半，应如何操作？如果要将这段信号转换为原采样率的两倍，又该如何操作？（15分）

四、请描述一下使用谱减法进行语音降噪的基本流程（可以画出框图）。除了谱减法外，还 有什么其他算法可以实现语音降噪呢？请简要描述一下（15分）

五、下图是某段语音信号转换到频域中的波形，请在其中标明基因周期，第一共振峰，第二 共振峰。如果我做了某种变换，将这段信号的频率变高，但听起来还是同一个人讲话的声音，请画出变换后的这段信号的大致频域波形并指出和原波形的异同。（15分）

六、有两个人在玩猜硬币游戏，他们约定，谁猜对了下一轮就继续归他猜，谁猜错了下一轮 就换另一个猜。其中一个猜对的概率是80%，另一个猜对的概率是70%。问：很多轮之后，他俩总共的猜对概率是多少？（15分）

七、请将一个给定链表后面k个节点轮转到链表前面，给定的k一定小于或等于链表长度， 例如： 输入：k=2，1->2->3->4->5->NULL, 输出：4->5->1->2->3->NULL. （25分）

推荐系统总结

Xiaol v2009-Relevance is more significant than correlation: Information filtering on sparse data 本文提出了在针对数据稀疏时，使用相关性信息比关联性信息效果更好，因为在关联性信息中，会用到更多的数据， Recommendation System 推荐系统存在的主要挑战： 1.Data sparsity. 2.Scalability 解决该问题的一般方法（28-30） a)有必要考虑计算成本问题和需找推荐算法,这些算法要么是小点的要求 或易于并行化(或两者) b)使用基于增量的算法，随着数据的增加，不重新计算所有的数据，而是 微调的进行 3.Cold start 解决该问题的方法一般有 a)使用混合推荐技术，结合content和collaborative数据，或者需 要基础信息的使用比如用户年龄、位置、喜好genres（31、32） b)识别不同web服务上的单独用户。比如Baifendian开发了一个可以 跟踪到单独用户在几个电子商务网站上的活动，所以对于在网站A的一 个冷启动用户，我们可以根据他在B，C，D网站上的记录来解决其冷启 动问题。 4.Diversity vs. Accuracy（多样性和精确性） 将一些很受欢迎的且高评分的商品推荐给一个用户时，推荐非常高效，但是这种推荐不起多少作用，因为这些商品可以很容易的找到。因此一个好的推荐商

品的列表应该包含一些不明显的不容易被该用户自己搜索到的商品。解决该问题 的方法主要是提高推荐列表的多样性，以及使用混合推荐方法。（34-37） 5.Vulnerability to attacks 6.The value of time. 7.Evaluation of recommendations 8.er interface. 除了这些问题外，还有其他的。随着相关学科分支的出现，特别是网络分析工具，科学家考虑网络结构对推荐的效果影响，以及如何有效使用已知的结构属性来提 高推荐。比如，（45）分析了消费者-商品网络并提出了一个基于喜好边（preferring edges）改进的推荐算法，该算法提高了局部聚类属性。（46）设计并提高了算法，该算法充分利用了社区结构（community structure）。随之而来的挑战主要有：带有GPS移动手机成为主流，并且可以访问网络，因此，基于位置的推荐更需要精确的推荐，其需要对人的移动有一个高效预测能力（47、48）并且高质量的定义位置和人之间的相似性的方法。（49、50）。智能推荐系统需考虑不同人的不同行为模式。比如新用户比较喜欢访问popular商品并且选择相似的商品，而老的用户有更不同的喜好（51,52）用户行为在低风险商品和高风险商品之间更加的不同。（53,54） 推荐系统的一些概念 网络 网络分析对于复杂系统的组织原则的发现是一个万能的工具（5-9）。网络是 由一些元素点和连接点的边组成的。点即为个人或者组织，边为他们之间的交互。 网络G可用（V，E）表示，V（vertice）为节点的集合，E为边（edge）的 集合。在无向网络中，边无方向。在有向网络中，边有向。我们假设网络中不存 在回路以及两个节点之间不存在多条边。G(V,E)图中，一些参数表示是指与节点x连接的节点（即x的邻居）的集合。 即为x节点的度。

全圆测回法实习报告

全圆测回法实习报告 Prepared on 22 November 2020

全圆方向法观测水平角实验报告 姓名：刘校心 学号：201041** 专业班级：测绘10-1班 指导老师：周志易 实验日期：2012/10/10 【实验名称】 用全站仪按全圆方向法观测水平角 【实验目的与要求】 （1）、掌握全圆方向法观测水平角的观测、记录和计算方法。 （2）、了解全站仪按全圆方向法观测水平角的各项技术指标。 （3）、进一步熟悉了解全站仪的操作使用。 【仪器和工具】 362R系列全站仪一台、脚架一幅 自备：铅笔（2H）、记录本、计算器 【主要步骤】 （1）、选点和观测目标：选择六个远近适中、易于瞄准、清晰可见的目标建筑，以楼角的棱线为目标； （2）、架设仪器，对中整平； （3）、开机开测，用盘左位置标准第一个目标作为初始方向，进行置零，并开始记录；

（4）、按顺时针方向瞄准第二个方向，望远镜制动，读书并记录数据，并以此测完第6个点； （5）、瞄准初始方向的点，进行读书并记录，计算盘左位置的归零差，超出限差重测； （6）、换成盘右位置瞄准初始方向的点，按逆时针方向以此观测6个点，并计算各方向的2C值，检核是否超限，直至完成一个测回； （7）、重复步骤（3）-（6）进行第二个测回的观测； （8）、换其他组员每人观测两个测回的数据，总共完成6个方向的9个测回观测实验，实验结束不要急着拆卸仪器； （9）、数据处理，计算各方向观测值的平均读书，再进行归零后方向值计算，检核测回互差，发现超限及时重测。 【观测数据及处理】 全圆测回法观测水平角记录表 日期_2012/10/10 天气_阴天班级：测绘10-1班小组__第7组_____

资金成本公式(整理版)

资本成本的计算 借款的资本成本 （筹资费很小时可以略去不计） 筹资费率）（借款成本所得税税率）（年利率借款成本-1-1???= K =）（）（f -1L T -1i L ??=f -1）T -1（i =）T -1（i 债券的资本成本 筹资费率）（发行价所得税税率）（票面利率债券面值-1-1???= K =） （）（f -1P T -1i B ? 优先股资本成本 筹资费率）（发行价优先股每年股利-1?= K =） （f -1P D 普通股资本成本 股利固定增长率筹资费率） （股价第一年的股利 +?= -1K = g f 1P D 1+-）（ 留存收益资本成本 计算留存收益成本的方法主要有三种： （1）股利增长模型法 股利固定增长率股价 第一年的股利 += K =g P D 1+ （2）资本资产定价模型 无风险利率）（平均收益率贝塔系数无风险利率-?+=K =)R R R m f f β-?+（ （3）风险溢价 风险溢价债券成本+=K =C P B R K + 加权平均资本成本 债券的资金成本总资金债券资金留存收益的资金成本总资金留存收益普通股的资金成本 总资金 普通股资金 借款的资金成本总资金借款资金?+?+?+?= ωK = ∑=n 1 i j j K W

边际贡献总额·Q P V S M C ?-=-=）（b 息税前净利润·a -M EBIT = 净利润·I EBIT -=净利润 普通股每股收益·股数 N I EBIT EPS -= 杠杆原理的计算 杠杆：一个因素发生较小变动，导致其它因素发生较大变动。 经营杠杆系数·a -=M M DOL 财务杠杆系数·T D I EBIT EBIT DFL -- -= 1 复合杠杆系数·DFL DOL DTL ?= DOL. EBIT Q S ?→?a / DFL. EPS EBIT I ?→? DTL. EPS Q S I ?→?,a / 项目投资的计算 建设期资本化利息原始总投资投资总额+= 建设期资本化利息固定资产投资额固定资产原值+= 该年回收额 该年利息费用该年摊销额该年折旧该年净利润经营期净现金流量++++=【直线法计提折旧】 折旧年限 净残值 建设期资本化利息固定资产投资额折旧年限净残值固定资产原值折旧--+==

阿里校园招聘历年经典面试题汇总：算法工程师

阿里校园招聘历年经典面试题汇总：算法工程师 （1）、jvm 原理 （2）、minor GC 与 Full GC （3）、HashMap 实现原理 （4）、java.util.concurrent 包下使用过哪些 （5）、concurrentMap 和 HashMap 区别 （6）、信号量是什么，怎么使用？ （7）、阻塞队列了解吗？怎么使用？ （8）、JAVA NIO 是什么？ （9）、类加载机制是怎样的 （10）、什么是幂等性 （11）、有哪些 JVM 调优经验 （12）、分布式 CAP 了解吗？ （13）、hdfs怎么添加Datanode,添加后hdfs会有什么操作？ （14）、Hbase 跟关系数据库对比优缺点？为什么 Hbase 索引速度快 （15）、Hbase 大压缩与小压缩区别 （16）、Hive 与 Hbase 的使用场景 （17）、简单说说Spark功能，spark 与hive有无依赖关系？ （18）、zookeeper 有什么应用场景，怎么选举的？3 个节点挂掉一个能正常工作吗？ （19）、Hbase 中 zookeaper 作用 （20）、Hbase 写操作什么时候返回 （21）、mysql 有哪些存储引擎？各自特点 （22）、用过哪些设计模式？怎样实现线程安全单例模式？ （23）、用过哪些RPC框架？ （24）、什么是AOP？ （25）、决策树算法怎么实现的？ （26）、java垃圾回收会出现不可回收的对象吗？怎么解决内存泄露问题？怎么

定位问题源？ （27）、终止线程有几种方式？终止线程标记变量为什么是 valotile 类型？（28）、用过哪些并发的数据结构？ cyclicBarrier 什么功能？信号量作用？数据库读写阻塞怎么解决？ （29）、乐观锁与悲观锁，怎么实现乐观锁？ （30）、开发过分布式框架？怎么实现分布式事务？ （31）、spark streaming与storm区别？ （32）、找到最大子数组的 start,和end下标 （33）、用过 CDH中什么任务调度？ （34）、spark streaming时间间隔设置很小会出现什么状况？ （35）、搜索引擎了解多少？你认为搜索引擎的难点在哪里？ （36）、RPC 了解吗？怎么监控 RPC 状态，找出出现问题的 RPC 连接？（37）、spring 框架了解多少？ （38）、flume应用场景 （39）、找出一串字符中第一个不重复字符的下标。 点击查看详细面经〉〉〉〉〉〉〉〉〉〉〉〉 更多精品干货>>>>>>>>>>> 更多阿里机器学习/数据挖掘经典面试题 其他名企机器学习/数据挖掘经典面试题

推荐系统的常用算法原理和实现

推荐系统的出现 推荐系统的任务就是解决，当用户无法准确描述自己的需求时，搜索引擎的筛选效果不佳的问题。联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对他感兴趣的人群中，从而实现信息提供商与用户的双赢。 推荐算法介绍 基于人口统计学的推荐 这是最为简单的一种推荐算法，它只是简单的根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户。 系统首先会根据用户的属性建模，比如用户的年龄，性别，兴趣等信息。根据这些特征计算用户间的相似度。比如系统通过计算发现用户A和C比较相似。就会把A喜欢的物品推荐给C。 优缺点： ?不需要历史数据，没有冷启动问题 ?不依赖于物品的属性，因此其他领域的问题都可无缝接入。 ?算法比较粗糙，效果很难令人满意，只适合简单的推荐 基于内容的推荐 与上面的方法相类似，只不过这次的中心转到了物品本身。使用物品本身的相似度而不是用户的相似度。

系统首先对物品（图中举电影的例子）的属性进行建模，图中用类型作为属性。 在实际应用中，只根据类型显然过于粗糙，还需要考虑演员，导演等更多信息。 通过相似度计算，发现电影A和C相似度较高，因为他们都属于爱情类。系统还会发现用户A喜欢电影A，由此得出结论，用户A很可能对电影C也感兴趣。 于是将电影C推荐给A。 优缺点： ?对用户兴趣可以很好的建模，并通过对物品属性维度的增加，获得更好的推荐精度 ?物品的属性有限，很难有效的得到更多数据 ?物品相似度的衡量标准只考虑到了物品本身，有一定的片面性 ?需要用户的物品的历史数据，有冷启动的问题 协同过滤 协同过滤是推荐算法中最经典最常用的，分为基于用户的协同过滤和基于物品的协同过滤。那么他们和基于人口学统计的推荐和基于内容的推荐有什么区别和联系呢？ 基于用户的协同过滤——基于人口统计学的推荐 基于用户的协同过滤推荐机制和基于人口统计学的推荐机制都是计算用户的相似度，并基于“邻居”用户群计算推荐，但它们所不同的是如何计算用户的相似度，基于人口统计学的机制只考虑用户本身的特征，而基于用户的协同过滤机制可是在用户的历史偏好的数据上计算用户的相似度，它的基本假设是，喜欢类似物品的用户可能有相同或者相似的口味和偏好。 基于物品的协同过滤——基于内容的推荐