流年染指，回忆春秋 的博客

问题： 在C++中编写一个char* functionX(), 想请问一下能否在函数内部建立并且返回一个char*指针，在不用全局变量和STATIC的情况下有其他办法么？答：1  new(malloc)分配的内存在堆区，函数结束后依然存在。把这个内存的指针给别的地方，当然能访问了，不过要记得释放，不然就是内存泄漏了。2  函数里面的别的变量分配在栈去，函数结束的时候就消失了。那栈区

1、生成模型与判别模型  http://blog.youkuaiyun.com/zouxy09/article/details/8195017       生成算法尝试去找到底这个数据是怎么生成的（产生的），然后再对一个信号进行分类。基于你的生成假设，那么那个类别最有可能产生这个信号，这个信号就属于那个类别。判别模型不关心数据是怎么生成的，它只关心信号之间的差别，然后用差别来简单对给定的一个信号进行分类。

转载自：http://www.cnblogs.com/heaad/archive/2011/03/08/1977733.html在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。　　本文的目的就是对常用的相似性度量

文本特征向量   经典的向量空间模型(VSM: Vector Space Model)由Salton等人于60年代提出，并成功地应用于著名的SMART文本检索系统。VSM概念简单,把对文本内容的处理简化为向量空间中的向量运算,并且它以空间上的相似度表达语义的相似度,直观易懂。当文档被表示为文档空间的向量，就可以通过计算向量之间的相似性来度量文档间的相似性。文本处理中最常用的相似性度量方式是

1．Huffman编码中的贪心策略，该部分所需要的计算时间。首先，要理解Huffman编码中那部分用到了贪心算法，贪心的策略，这样才能求所需的计算时间。哈夫曼编码算法：每次将集合中两个权值最小的二叉树合并成一棵新二叉树，n-1次合并后，成为最终的一棵哈夫曼树。这既是贪心法的思想：从某一个最初状态出发，根据当前的局部最优策略，以满足约束方程为条件，以使目标函数最快（或最慢）为原则，在候选集合

关于SVD在推荐系统中的应用一些比较好的资源博文[1]给出了一个具体的实例分析，能够很好的理解SVD在推荐系统中应用对推荐结果所起的作用。博文[2]从强调SVD应用到推荐系统领域中的思想出发，详细介绍了SVD模型的思想和原理，并从改进和实际应用思想的角度结合图               形分析介绍了几种SVD模型的变形，能够很好的理解SVD模型及各种变形。博文[3]主要介绍了矩阵

特别推荐：1、HMM学习最佳范例全文文档2、无约束最优化全文文档一、书籍：1、《自然语言处理综论》英文版第二版2、《统计自然语言处理基础》英文版3、《用Python进行自然语言处理》，NLTK配套书4、《Learning Python第三版》，Python入门经典书籍，详细而不厌其烦5、《自然语言处理中的模式识别》6、《EM算法及其扩展》7、《统计学习基

http://www.grouplens.org/taxonomy/term/14Movielens Dataset：       其中Movielens-100k和movielens-1M有用户对电影的打分，电影的title、genre、IMDB链接、用户的gender、age、occupation、zip code。movielens-10M中还有用户对电影使用的tag信息。