kevinQt的专栏

最近论文涉及到选址问题，于是疯狂看各种文献，特别是网上各种博客、论坛中关于选址问题的解释。在这里结合我的研究一并讨论于此。部分内容属于网上转载。设施选址问题（Facility Location Problem）自20世纪60年代初期以来，在运筹学中一直占据着中心位置。它来自于工厂、仓库、超市、学校、医院、图书馆、火车站、代理服务器、传感器等位置的确定问题。　　设施选址问题是NP-难解问题，除非P=NP，设施选址问题不存在多项式时间算法。　　P问题：　　一个问题可以在多项式（O(n^k)）的

背景介绍机器学习的聚类算法在很多场景中都有应用，比如用户群体的聚类，地址聚类等。但是，在实际问题中，我们的聚类问题常常是有类的规模限制的，比如我们需要创建几个等大的类，或者有最小类大小的限制等。虽然在很多学习算法和初入机器学习的同学们看来，聚类相关算法是机器学习中无监督学习中常见的一种，但从另一个角度看，聚类其实是求解一个组合优化问题，属于NP-hard问题。应用场景员工/外卖员等任务分配：我们给员工分配具体的工作区域或者工作任务量。因为我们分配对象的任务是人，所以我们需要考虑人性，考虑任务

最近按照自己的计划和步骤，准备接触机器学习了。其中一个非常重要的就是文本分析，而第一道管卡就是文本的向量化。这里首先应用碗豆先生的博客，这个里面对于文本的分析有了一个很好的开始。另外一个有用的博客是周公与夜的博客。这里首先阐述文本特征值提取的几种方法（引用周公的博客内容）：常见的四种特征选择方法如何计算。　　1）DF(Document Frequency)DF:统计特征词出现的文档数量，用来衡量某...

可参考资料1）中文分词基本算法介绍2）ICTCLAS 汉语词性标注集3）文本分类技术4）文本分类与SVM5）基于贝叶斯算法的文本分类算法6）基于libsvm的中文文本分类原型7）LDA-math-文本建模8）情感分析资源9）面向情感分析的特征抽取技术研究9.1）斯坦福大学自然语言处理第七课-情感分析10）深度学习、自然语言处理和表征方法11）Deep Learning in NLP （一）词向量和...

初学中文文本分词，从最简单的TF-IDF算法入手，理解其中的逻辑结构，其中使用jieba分词包作为分词模型。这里部分内容参考了_hahaha的博客TF-IDF原理jieba分词提取关键词是按照词频（即每个词在文章中出现的次数）来提取的，比如要提取文章的前五个关键词，那么就是提取文章中出现次数最多的前五个词。而TF-IDF算法不仅统计每个词的词频，还为每个词加上权重。举个例子我们在大学选修了数学和体...