1. 介绍

1、最自然智慧的算法

2、用一种局部最功利的标准，总是能做出在当前看来是最好的选择

3、难点在于证明局部最优解可以最终得到全局最优解

4、对于贪心算法的学习主要是以经验为主，尝试为主

1. 归并排序

归并排序（Merge Sort）是一种基于分治思想的稳定排序算法。它将一个待排序的数组递归地分成两个子数组，分别对这两个子数组进行排序，然后再将排好序的子数组合并成一个有序的数组。

一般有两种写法，递归的和非递归的。

Git 是一种分布式版本控制系统，用于跟踪和管理代码和其他文件的更改。它最常用于软件开发过程中，帮助多个开发者协同工作，并在项目中进行版本控制。Git 可以记录文件的每次修改，并允许开发者在不同的时间点查看或恢复特定的版本。

Git 的基本概念：版本库，仓库，repository

信息

个是熵和信息增益的基础概念，我觉得对于这个概念的理解更应该把它认为是一用名称，就比如“鸡”（加引号意思是说这个是名称）是用来修饰鸡（没加引号是说存在的动物，即鸡），“狗”是用来修饰狗的，但是假如在鸡还未被命名为“鸡”的时候，鸡被命名为“狗”，狗未被命名为“狗”的时候，狗被命名为“鸡”，那么现在我们看到狗就会称其为“鸡”，见到鸡的话会称其为“狗”，同理，信息应该是对一个抽象事物的命名，无论用不用“信息”来命名这种抽象事物，或者用其他名称来命名这种抽象事物，这种抽象事物本身是客观存在的。

发表在 SIGIR ’19

Introduction

因为组群内部成员互相影响，决策需要一个达成共识，故要对成员之间的互动进行评估建模。

以往的算法聚焦pre-defined群组，不适用于ad-hoc（数据量少）

两个层次：每个成员均用一个sub-attention network表示；进而组成混合网络体兼顾个体和群体。

WWW’21 , DICE模型

Abstract

造成用户从众行为的潜在原因有很多，我们需要把用户真实兴趣与从众因素解耦，所以提出了DICE模型，它可以嵌入于各种 backbone 推荐方法。我们分别为用户和物品分配兴趣和盲从性的embeddings，并利用训练数据达到只让embedding捕捉一种特征的效果。

经典的群组推荐论文，首次用到了注意力机制。

Abstract

• 用注意力机制做群组的表征
• NCF 研究群组与事物的交互
• 集成用户-事物的交互

Abstract

之前的方法大多是 predsefined 的策略，对于 ad-hoc 的组群（或称 cold-start groups）则无能为力。组群推荐是动态的，每个成员的权重不同，且同一用户在不同组的权重也是不同的。本文针对 Occasional Group Recommendation (OGR)，要解决偏好聚合与数据稀疏的问题，故提出 GroupSA，一是将决策视为投票过程，模拟决策的形成；二是使用了 user-item、user-user 的数据，弥补数据稀疏性问题。

Introduction

最近一些工作，如 AGREE 和 SIGR 使用了原始的注意力机制来学习决策过程，但有两个重要问题：

1. 忽视了组群成员之间的交互（争论、投票）
2. 没有考虑成员的专业知识技能

文中描述了组群的决策过程：先是朋友之间充分交换意见，然后投票选择一些当前话题下的专家，让专家们来决定。

GroupSA使用了自注意力机制。

一年前，我在 http://scst.suda.edu.cn/ 上看到了上一届的拟录取名单；一年后，我的名字也出现在了那里

第六章 面向对象程序设计

1. 定义与使用

1
2
3
4
5
6

class Car:      # 定义
    def info(self):
        print('Car.')
        
car = Car()     # 实例化
car.info()