一个用delphi编写的关于大数计算的程序，可用于计算任何大小的数字乘积，非常小巧方便，也很适用...

UserCF和ItemCF是协同过滤中最为古老的两种算法，在top-N的推荐上被广泛应用。这两个算法之所以重要，是因为他们使用了两个不同的推荐系统基本假设。UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西，而ItemCF认为一个人会喜欢和他以前喜欢的东西相似的东西。这两个假设都有其合理性。根据我的测试，用UserCF和ItemCF做出的推荐列表中，只有50%是一样的，还有50%完全不同。但是这两个算法确有相似的精度。所以说，这两个算法是很互补的。我一直认为这两个算法是推荐系统的根本，因为无论我们是用矩阵，还是用概率模型，我们都非常的依赖于前面说的两种假设。如果用户的行为不符合那两种假设，推荐系统就没必要存在了。因此我一直希望能够找出这两种算法的本质区别。他们有相似的精度，但是coverage相差很大，ItemCF coverage很大而UserCF很小。我还测试了很多其他指标，不过要从这些表象的指标差异找出这两个算法的本质区别还是非常困难。不过上周我基本发现了这两个算法推荐机理的本质区别。我们做如下假设。每个用户兴趣爱好都是广泛的，他们可能喜欢好几个领域的东西。不过每个用户肯定也有一个主要的领域，对这个领域会比其他领域更加关心。给定一个用户，假设他喜欢3个领域A,B,C，同时A是他喜欢的主要领域。这个时候我们来看UserCF和ItemCF倾向于做出什么推荐。结果如下，如果用UserCF, 它会将A,B,C三个领域中比较热门的东西推荐给用户。而如果用ItemCF，它会基本上只推荐A领域的东西给用户。因为UserCF只推荐热门的，所以UserCF在推荐长尾上能力不足。而ItemCF只推荐A领域给用户，这样他有限的推荐列表中就可能包含了一定数量的不热门item，所以ItemCF推荐长尾的能力比较强。不过ItemCF的推荐对某一个用户而言，显然多样性不足。但是对整个系统而言，因为不同的用户的主要兴趣点不同，所以系统的coverage会很大。显然上面的两种推荐都有其合理性，但都不是最好的选择，因此他们的精度也会有损失。最好的选择是，如果我们给这个用户推荐30个item，我们既不是每个领域挑选10个最热门的给他，也不是推荐30个A领域的给他，而是比如推荐15个A领域的给他，剩下的15个从B,C中选择。认识到这一

连接数据库 分词 去除停用词 计算权重值-Connect to the database to remove stop words word weighted value

行编辑算法：可将输错的单个字符删除，也可将又错误的一行字符删除。操作简便。用栈来实现上述功能。-line editor algorithm : can be wrong deletion of a single character, and it can also wrong to delete his characters. Easy to operate. Stack used to achieve the above functions.

经典小游戏-俄罗斯方块，简单有趣，十分好玩，界面也比较美观，源代码其实也是比较通俗易懂的，基本上能够很方便的看懂，游戏运行起来也比较流畅，虽说简单，但其实也设计有两种模式，可以给玩家提供更多的选择。

原题为： 1．有5栋5种颜色的房子 2．每一位房子的主人国籍都不同 3．这五个人每人只喝一个牌子的饮料，只抽一个牌子的香烟，只养一种宠物 4．没有人有相同的宠物，抽相同牌子的烟，喝相同牌子的饮料 已知条件： 1．英国人住在红房子里 2．瑞典人养了一条狗 3．丹麦人喝茶 4．绿房子在白房子的左边 5．绿房子主人喝咖啡 6．抽pallmall烟的人养了一只鸟 7．黄房子主人抽dunhill烟 8．住在中间房子的人喝牛奶 9．挪威人住在第一间房子 10．抽混合烟的人住在养猫人的旁边 11．养马人住在抽dunhill烟人的旁边 12．抽bluemaster烟的人喝啤酒 13．德国人抽prince烟 14．挪威人住在蓝房子旁边 15．抽混合烟的人的邻居喝矿泉水 问题：谁养鱼？ 这道迷题出自1981年柏林的德国逻辑思考学院。 据说世界上只有2％的人能出答案。 就连大名鼎鼎的爱因斯坦也成为此题大伤脑筋。-original entitled : 1. Have five five colors of the two houses. Each a master of the house three different nationality. Each of these five individuals only drink one brand of beverages, just the one brand of cigarettes, only raised a pet 4. No one has the same pet, and pumping the same brand of cigarettes, drink the same brand of beverages known conditions : 1. Britons living in Red House Lane 2. Swede custody of a dog 3. Denmark tea 4. Green house at the White house left five. Green coffee house owner 6. Pallmall pumpin

我为我的c班准备了这个。它工作时写斐波那契数。如果你想改变数字的上限，就把1000改成你想要的。

计算score中m个人的平均成绩aver，将低于aver的成绩放在below中，通过函数名返回人数。例如，当score={10,20,30,40,50,60,70,80,90}，m=9时，函数返回的人数应该是4，below={10,20,30,40}

基于SVD的人脸识别，可以直接计算出识别正确率-SVD-based face recognition, and can directly calculate the correct rate of recognition

mtspf_ga.m是主函数，floyed  是计算任意两点最短路径的算法，myLength 是计算距离的函数，lujing是本例子中所需的数据，只需运行ceshide 即可完美解决“最佳灾情巡视路线问题”。

列主元的高斯算法-out of the PCA algorithm Gaussian