lgnlgn的专栏

人类概念学习的复杂度 complexity of human concept learning， 化简布尔概念的布尔复杂度。化简是一种压缩，数据挖掘同样是一种压缩~

常常看到论文的标题里带有矩阵分解的方法，最常见的有四个PCA, SVD, LDA和NMF。之前看论文内容一看到矩阵公式基本就不看，水平有限，短期内啃也啃不动。看来该学的还是绕不出去，只能慢慢补上了…很早就听说主成分分析这个名词了，看到一个人写的博文，写得通俗易懂，一看就能明白http://pinkyjie.com/2010/08/31/covariance/http:/...............

业余数据挖掘项目feluca想法的完整记录

计算item之间相似度是个有意义的工作，比如词的相似度就有很多应用场景。

GraphChi设计成可以在个人计算机上高效进行大规模计算的框架，其中在模型不能一次性读入内存的时候，用到了PSW算法，核心是用连续读写来代替的随机读写。在我自己写单机算法时候也考虑过模型如果内存装不下问题，当时正好看到graphchi的PPT，也就想明白是怎么做到的，虽然我没有完整读完PSW的资料，但我发现我前端时间在做feluca设计的数据划分方式其实和PSW本质一样的，所以我感觉自己也算理解

（更新于2012/11/15）关注和学习数据挖掘不少年，现在数据挖掘算法已经非常多了，比较出名的基本都能找到实现好的。掌握一个算法原理十分重要，但我觉得实现一遍算法对于算法的如何适用数据才是最有帮助的。一些挖掘工具遇到大量点的数据集就吃不消，可能是对内存不珍惜，可能是对计算不节俭等等。感觉到写出一个能在海量规模下实用的算法应该还是有意义，能锻炼技术。最近业余时间多一些，也就开始想把之前工作之余写过

这是一篇我比较推崇的文章.06年获得KDD的best paper runner up。近年来数据挖掘在理论上突破很少，这可以算一篇。长久以来，数据挖掘一直关注方法，很少有研究数据集潜在本质的，如何从数据集表现形式去挖掘数据之间更深刻的联系，这篇论文最大亮点就是提出了一种度量数据挖掘方法（尤其是无监督的的方法）在数据集上效果的新思路。   这篇文章随机交换的思想非常简单，除了第四章有难度，其

Kaggle是一个数据科学竞赛平台(making data science a sport)，在上面，很多机构会发布研究问题和数据集提供大家解决，有些会有报酬。第一次看到这个网站就觉得它会火，在信息爆炸时代，通过挖掘历史数据来对业务提供更有效的服务已经是大势所趋。而kaggle上的题目都是偏向数据挖掘类的，这相比ACM或者projecteuler这种纯算法的题要更有专业和更开放；一个题一般都会有一

有1亿个不重复的64位的01字符串，任意给出一个64位的01字符串f，如何快速从中找出与f汉明距离小于3的字符串？ 大规模网页的近似查重主要翻译自WWW07的Detecting Near-Duplicates for Web Crawling WWW上存在大量内容近似相同的网页，对搜索引擎而言，去除近似相同的网页可以提高检索效率、降低存储开销。当爬虫在抓取网页时必须

近年来，图挖掘graph mining渐渐热了起来。这里的图是图论里说的那个图，也就是点集合和边集合构成的一种数据结构。图挖掘中几个比较重要的方向有：1.     community detection2.     frequent subgraph mining 3.     ranking  ranking中最出名的就是google的pagerank, pa

Apriori和fp-growth是频繁项集(frequent itemset mining)挖掘中的两个经典算法，虽然都是十几年前的，但是理解这两个算法对数据挖掘和学习算法都有很大好处。在理解这两个算法之前，应该先了解频繁项集挖掘是做什么用的。频繁项集挖掘是关联规则挖掘中的首要的子任务。关联规则挖掘是要找出一个数据集上，满足一定条件的项集。这些项的集合能构成 形如蕴含式"A=>B"这样的

这个问题其实是从之前博客（http://blog.youkuaiyun.com/lgnlgn/archive/2010/11/14/6008498.aspx）介绍的爬虫去重的论文中的一个内容，问题是这样描述的：给定N个f位的指纹集合C，对一个输入指纹f’，如何找出C中与f’汉明距离小于k的所有指纹？具体地，论文里N=80亿，f=64，K=3。 64位取3的汉明距离可能性一共有C(64,3)  >

继上篇介绍的算法和单机实现。这篇介绍一下mapreduce实现。其实python的实现已经用的mapreduce的思路了，改成在真实分布式环境并不难，我在hadoop平台上简单的实现了这个算法。 Map端完成边的propagation效应，即input(fromId, toId) -> output(toId,labelinfo)。每轮计算需要上一轮节点的Label结果，一次性读到

近几年推荐算法研究得比较火热，得益于netflix的百万大奖。推荐算法有多种分法，有人喜欢分成基于内容和基于用户行为的，而主流的文献还是从算法分得多：即neighborhood-based和基于factorization的。 neighbor-based方法比较早，主流的user-base和item-base，其思想都是猜测用户会喜欢和他口味一致的东西。矩阵分解直接把预测问题转换成一个估计对评分矩

其实这个算法也可以作为聚类算法来用，计算出两两样本之间的相似度，作为这个算法里边的权重，可以去掉值很低的，然后进行聚类。我们假设一个图有m个节点n条边，label propagation的复杂度是O(kn) （不确定）k是迭代次数。在一般情况下，n2 因此是个和图规模线性关系的算法。如果聚类最后一步采用这种方法，那么计算两两相似度得到图结构，需要O(m2)应该是主要开销。

随机交换内容可以看这：http://blog.youkuaiyun.com/lgnlgn/article/details/5936945其实是直接翻译作者perl源码过来的... 作者perl源码在这：http://www.cs.helsinki.fi/hiit_bru/software/swaps/作者用的是self loop的实现方式。不懂perl不过还是勉强看懂过程，python源