精华内容
下载资源
问答
  • 基于内容推荐基于内容推荐是信息过滤技术的延续与发展,它是建立在项目的内容信息上作出推断的,而不需要依据用户对项目的评价意见,更多的需要用机器学习的方法从关于内容的特征描述的事件中得到用...

    个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

    推荐系统有3个重要的模块:用户建模模块,推荐对象模块,推荐算法模块

    主要推荐算法

    1. 基于内容推荐
    基于内容推荐是信息过滤技术的延续与发展,它是建立在项目的内容信息上作出推断的,而不需要依据用户对项目的评价意见,更多的需要用机器学习的方法从关于内容的特征描述的事件中得到用户的兴趣资料。用户的资料模型取决于所用学习方法,常用的有决策树,神经网络和基于向量的表示方法等。基于内容的用户资料是需要有用户的历史数据,用户资料模型可能随着用户偏好的改变而改变。

    基于内容推荐方法的优点:
    (1)不需要其他用户的数据,没有冷开始问题和稀疏问题

    (2)能为具有特殊兴趣爱好的用户进行推荐
    (3)能推荐新的或者不是很流行的项目,没有新项目问题
    (4)通过列出推荐项目的内容特征,可以解释为什么推荐那些项目
    (5)已经有比较好的技术,如关于分类学习方面的技术已相当成熟

    缺点是要求内容能容易抽取成有意义的特征,要求特征内容有良好的机构性,并且用户的口味必须能用内容特征形式来表达,不能显式的得到其他用户的判断情况。

    2. 协同过滤推荐
    协同过滤推荐技术是推荐系统中应用最早和最为成功的技术之一,它一般采用最邻近技术,利用用户的历史爱好信息计算用户之间的距离。然后利用目标用户的最邻近用户对商品的评价的加权评价值来预测目标用户对特定商品的喜好程度,系统从而根据这一喜好程度来对目标用户进行推荐
    协同过滤最大的优点是对推荐对象没有特殊的要求,能处理非结构化的复杂对象,如音乐,电影。基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的,而且是自动的,不需要用户努力的找到适合自己兴趣的推荐信息,如调查问卷等。
    和基于内容的过滤方法对比,协同过滤具有如下的优点:
    (1)能够过滤难以进行机器自动内容分析的信息,如艺术品,音乐等
    (2)共享他人的经验,避免了内容分析的不完全和不精确
    (3)有推荐新信息的能力,可以发现内容上完全不相似的信息,用户对推荐信息的内容事先是预料不到的,这也是协同过滤基于内容过滤一个较大的差别,可以发现用户潜在的但自己尚未发现的兴趣爱好。

    (4)能够有效的使用其他相似用户的反馈信息,减少用户的反馈量,加快个性化学习的速度。

    3. 基于关联规则推荐
    基于关联规则的推荐是以关联规则为基础,把已购商品作为规则头,规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性,在零售业中已经得到了成功的应用。管理规则就是在一个交易数据库中统计购买了商品集X的交易中有多大比例的交易同时购买了商品集Y,其直观的意义就是用户在购买某些商品时有多大的倾向去购买另外一些商品

    算法的第一步关联规则的发现最为关键且耗时,是算法的瓶颈,但可以离线进行。

    4. 基于效用推荐

    基于效用推荐是建立在对用户使用项目的效用情况上计算的,其核心问题是怎么样为每一个用户去建立一个效用函数。因此,用户资料模型很大程度上是由系统所采用的效用函数决定的。基于效用推荐的好处是它能把非产品的属性考虑进去,如供应商的可靠性和产品的可得性等考虑到效用计算中。

    5. 基于知识推荐

    基于知识推荐在某种程度上可以看成一种推理技术,它不是建立在用户需要和偏好的基础上推荐的。基于知识的方法因它们所用的功能知识不同而有明显的区别。效用知识是一种关于一个项目如何满足某一特定用户的知识,因此能解释需要和推荐的关系。所以用户资料可以是任何支持推理的知识结构,它可以是用户已经规范化的查询,也可以是一个更详细的用户需要的表示。

    6. 组合推荐
    由于各种推荐方法都有优缺点,所以在实际中,组合推荐经常被采用。
    研究应用最多的是内容推荐和协同过滤推荐的组合。最简单的做法就是分别用于基于内容的方法和协同过滤的推荐方法去产生一个预测结果,然后用某方法组合其结果。尽管从理论上有很多种推荐组合方法,但在某一具体问题中并不见得都有效,组合推荐的一个重要原则就是通过组合后要能避免或弥补各自推荐技术的弱点。
    在组合上,有研究人员提出了七种组合思路
    1)加权:加权多种推荐技术的结果
    2)变换:根据问题背景和实际情况或要求决定变换采用不同的推荐技术
    3)混合:同时采用多种推荐技术给出多种推荐结果为用户提供参考
    4)特征组合:组合来自不同推荐数据源的特征被另一种推荐算法所采用
    5)层叠:先用一种推荐技术产生一种粗糙的推荐结果,第二种推荐技术在这个结果上产生更精确的推荐结果
    6)特征扩充:一种技术产生附加的特征信息嵌入到另一种推荐技术的特征输入中,感觉有点像特征组合
    7)元级别:用一种推荐方法产生的模型作为另一种推荐方法的输入

    展开全文
  • 推荐系统概述转

    2014-10-29 10:13:20
     基 于内容的推荐(Content-based Recommendation)是信息过滤技术的延续与发展,它是建立在项目的内容信息上作出推荐的,而不需要依据用户对项目的评价意见,更多地需要用机 器学习的方法从关于内容的特征描述的...

     在推荐系统简介中,我们给出了推荐系统的一般框架。很明显,推荐方法是整个推荐系统中最核心、最关键的部分,很大程度上决定了推荐系统性能的优劣。目前,主要的推荐方法包括:基于内容推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐和组合推荐。

    一、基于内容推荐

           基 于内容的推荐(Content-based Recommendation)是信息过滤技术的延续与发展,它是建立在项目的内容信息上作出推荐的,而不需要依据用户对项目的评价意见,更多地需要用机 器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。在基于内容的推荐系统中,项目或对象是通过相关的特征的属性来定义,系统基于用户评价对象 的特征,学习用户的兴趣,考察用户资料与待预测项目的相匹配程度。用户的资料模型取决于所用学习方法,常用的有决策树、神经网络和基于向量的表示方法等。 基于内容的用户资料是需要有用户的历史数据,用户资料模型可能随着用户的偏好改变而发生变化。

    基于内容推荐方法的优点是:
    (1)不需要其它用户的数据,没有冷开始问题和稀疏问题。
    (2)能为具有特殊兴趣爱好的用户进行推荐。
    (3)能推荐新的或不是很流行的项目,没有新项目问题。
    (4)通过列出推荐项目的内容特征,可以解释为什么推荐那些项目。
    (5)已有比较好的技术,如关于分类学习方面的技术已相当成熟。

           缺点是要求内容能容易抽取成有意义的特征,要求特征内容有良好的结构性,并且用户的口味必须能够用内容特征形式来表达,不能显式地得到其它用户的判断情况。

    二、协同过滤推荐

           协 同过滤推荐(Collaborative Filtering Recommendation)技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术,利用用户的历史喜好信息计算用户之间的距离,然后 利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度,系统从而根据这一喜好程度来对目标用户进行推荐。协同过滤最大优 点是对推荐对象没有特殊的要求,能处理非结构化的复杂对象,如音乐、电影。

           协 同过滤是基于这样的假设:为一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户,然后将他们感兴趣的内容推荐给此用户。其基本 思想非常易于理解,在日常生活中,我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来,基于其他用户对某一内 容的评价来向目标用户进行推荐。

     基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的,而且是自动的,即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的,不需要用户努力地找到适合自己兴趣的推荐信息,如填写一些调查表格等。

           和基于内容的过滤方法相比,协同过滤具有如下的优点:
    (1) 能够过滤难以进行机器自动内容分析的信息,如艺术品,音乐等。
    (2) 共享其他人的经验,避免了内容分析的不完全和不精确,并且能够基于一些复杂的,难以表述的概念(如信息质量、个人品味)进行过滤。
    (3) 有推荐新信息的能力。可以发现内容上完全不相似的信息,用户对推荐信息的内容事先是预料不到的。这也是协同过滤和基于内容的过滤一个较大的差别,基于内容的过滤推荐很多都是用户本来就熟悉的内容,而协同过滤可以发现用户潜在的但自己尚未发现的兴趣偏好。
    4) 能够有效的使用其他相似用户的反馈信息,较少用户的反馈量,加快个性化学习的速度。

    虽然协同过滤作为一种典型的推荐技术有其相当的应用,但协同过滤仍有许多的问题需要解决。最典型的问题有稀疏问题(Sparsity)和可扩展问题(Scalability)。

    三、基于关联规则推荐

          基 于关联规则的推荐(Association Rule-based Recommendation)是以关联规则为基础,把已购商品作为规则头,规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性,在零 售业中已经得到了成功的应用。管理规则就是在一个交易数据库中统计购买了商品集X的交易中有多大比例的交易同时购买了商品集Y,其直观的意义就是用户在购 买某些商品的时候有多大倾向去购买另外一些商品。比如购买牛奶的同时很多人会同时购买面包。

           算法的第一步关联规则的发现最为关键且最耗时,是算法的瓶颈,但可以离线进行。其次,商品名称的同义性问题也是关联规则的一个难点。

    四、基于效用推荐

           基 于效用的推荐(Utility-based Recommendation)是建立在对用户使用项目的效用情况上计算的,其核心问题是怎么样为每一个用户去创建一个效用函数,因此,用户资料模型很大 程度上是由系统所采用的效用函数决定的。基于效用推荐的好处是它能把非产品的属性,如提供商的可靠性(Vendor Reliability)和产品的可得性(Product Availability)等考虑到效用计算中。考虑使用用户对商品的评论等

    五、基于知识推荐

           基 于知识的推荐(Knowledge-based Recommendation)在某种程度是可以看成是一种推理(Inference)技术,它不是建立在用户需要和偏好基础上推荐的。基于知识的方法因 它们所用的功能知识不同而有明显区别。效用知识(Functional Knowledge)是一种关于一个项目如何满足某一特定用户的知识,因此能解释需要和推荐的关系,所以用户资料可以是任何能支持推理的知识结构,它可以 是用户已经规范化的查询,也可以是一个更详细的用户需要的表示。考虑利用用户浏览,购买,搜索建立用户的兴趣集。

    六、组合推荐

          由 于各种推荐方法都有优缺点,所以在实际中,组合推荐(Hybrid Recommendation)经常被采用。研究和应用最多的是内容推荐和协同过滤推荐的组合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法 去产生一个推荐预测结果,然后用某方法组合其结果。尽管从理论上有很多种推荐组合方法,但在某一具体问题中并不见得都有效,组合推荐一个最重要原则就是通 过组合后要能避免或弥补各自推荐技术的弱点。

    在组合方式上,有研究人员提出了七种组合思路:
    (1)加权(Weight):加权多种推荐技术结果。
    (2)变换(Switch):根据问题背景和实际情况或要求决定变换采用不同的推荐技术。
    (3)混合(Mixed):同时采用多种推荐技术给出多种推荐结果为用户提供参考。
    (4)特征组合(Feature combination):组合来自不同推荐数据源的特征被另一种推荐算法所采用。
    (5)层叠(Cascade):先用一种推荐技术产生一种粗糙的推荐结果,第二种推荐技术在此推荐结果的基础上进一步作出更精确的推荐。
    (6)特征扩充(Feature augmentation):一种技术产生附加的特征信息嵌入到另一种推荐技术的特征输入中。
    (7)元级别(Meta-level):用一种推荐方法产生的模型作为另一种推荐方法的输入。

     七、主要推荐方法的对比

    各种推荐方法都有其各自的优点和缺点,见表1。

     

    表1 主要推荐方法对比
    推荐方法 优点 缺点
    基于内容推荐
    推荐结果直观,容易解释;
    不需要领域知识
    稀疏问题;新用户问题;
    复杂属性不好处理;
    要有足够数据构造分类器
    协同过滤推荐
    新异兴趣发现、不需要领域知识;
    随着时间推移性能提高;
    推荐个性化、自动化程度高;
    能处理复杂的非结构化对象
    稀疏问题;
    可扩展性问题;
    新用户问题;
    质量取决于历史数据集;
    系统开始时推荐质量差;
    基于规则推荐
    能发现新兴趣点;
    不要领域知识
    规则抽取难、耗时;
    产品名同义性问题;
    个性化程度低;
    基于效用推荐
    无冷开始和稀疏问题;
    对用户偏好变化敏感;
    能考虑非产品特性
    用户必须输入效用函数;
    推荐是静态的,灵活性差;
    属性重叠问题;
    基于知识推荐
    能把用户需求映射到产品上;
    能考虑非产品属性
    知识难获得;
    推荐是静态的

    转:http://liyonghui160com.iteye.com/blog/2082450

    展开全文
  • 推荐系统常用算法

    2019-02-26 20:21:29
    基于内容的推荐(Content-based Recommendation)是信息过滤技术的延续与发展,它是建立在项目的内容信息上作出推荐的,而不需要依据用户对项目的评价意见,更多地需要用机 器学习的方法从关于内容的特征描述的事例...

    一、基于内容推荐

    基于内容的推荐(Content-based Recommendation)是信息过滤技术的延续与发展,它是建立在项目的内容信息上作出推荐的,而不需要依据用户对项目的评价意见,更多地需要用机 器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。在基于内容的推荐系统中,项目或对象是通过相关的特征的属性来定义,系统基于用户评价对象 的特征,学习用户的兴趣,考察用户资料与待预测项目的相匹配程度。用户的资料模型取决于所用学习方法,常用的有决策树、神经网络和基于向量的表示方法等。 基于内容的用户资料是需要有用户的历史数据,用户资料模型可能随着用户的偏好改变而发生变化。

    基于内容推荐方法的优点是:

    1)不需要其它用户的数据,没有冷开始问题和稀疏问题。

    2)能为具有特殊兴趣爱好的用户进行推荐。

    3)能推荐新的或不是很流行的项目,没有新项目问题。

    4)通过列出推荐项目的内容特征,可以解释为什么推荐那些项目。

    5)已有比较好的技术,如关于分类学习方面的技术已相当成熟。

    缺点是要求内容能容易抽取成有意义的特征,要求特征内容有良好的结构性,并且用户的口味必须能够用内容特征形式来表达,不能显式地得到其它用户的判断情况。

    二、协同过滤推荐

    协同过滤推荐(Collaborative Filtering Recommendation)技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术,利用用户的历史喜好信息计算用户之间的距离,然后 利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度,系统从而根据这一喜好程度来对目标用户进行推荐。协同过滤最大优 点是对推荐对象没有特殊的要求,能处理非结构化的复杂对象,如音乐、电影。

    协同过滤是基于这样的假设:为一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户,然后将他们感兴趣的内容推荐给此用户。其基本 思想非常易于理解,在日常生活中,我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来,基于其他用户对某一内 容的评价来向目标用户进行推荐。

    基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的,而且是自动的,即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的,不需要用户努力地找到适合自己兴趣的推荐信息,如填写一些调查表格等。

    和基于内容的过滤方法相比,协同过滤具有如下的优点:

    1) 能够过滤难以进行机器自动内容分析的信息,如艺术品,音乐等。

    2) 共享其他人的经验,避免了内容分析的不完全和不精确,并且能够基于一些复杂的,难以表述的概念(如信息质量、个人品味)进行过滤。

    3) 有推荐新信息的能力。可以发现内容上完全不相似的信息,用户对推荐信息的内容事先是预料不到的。这也是协同过滤和基于内容的过滤一个较大的差别,基于内容的过滤推荐很多都是用户本来就熟悉的内容,而协同过滤可以发现用户潜在的但自己尚未发现的兴趣偏好。

    4) 能够有效的使用其他相似用户的反馈信息,较少用户的反馈量,加快个性化学习的速度。
    虽然协同过滤作为一种典型的推荐技术有其相当的应用,但协同过滤仍有许多的问题需要解决。最典型的问题有稀疏问题(Sparsity)和可扩展问题(Scalability)。

    三、基于关联规则推荐

    基于关联规则的推荐(Association Rule-based Recommendation)是以关联规则为基础,把已购商品作为规则头,规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性,在零 售业中已经得到了成功的应用。管理规则就是在一个交易数据库中统计购买了商品集X的交易中有多大比例的交易同时购买了商品集Y,其直观的意义就是用户在购 买某些商品的时候有多大倾向去购买另外一些商品。比如购买牛奶的同时很多人会同时购买面包。

    算法的第一步关联规则的发现最为关键且最耗时,是算法的瓶颈,但可以离线进行。其次,商品名称的同义性问题也是关联规则的一个难点。

    四、基于效用推荐

    基于效用的推荐(Utility-based Recommendation)是建立在对用户使用项目的效用情况上计算的,其核心问题是怎么样为每一个用户去创建一个效用函数,因此,用户资料模型很大 程度上是由系统所采用的效用函数决定的。基于效用推荐的好处是它能把非产品的属性,如提供商的可靠性(Vendor Reliability)和产品的可得性(Product Availability)等考虑到效用计算中。

    五、基于知识推荐

    基于知识的推荐(Knowledge-based Recommendation)在某种程度是可以看成是一种推理(Inference)技术,它不是建立在用户需要和偏好基础上推荐的。基于知识的方法因 它们所用的功能知识不同而有明显区别。效用知识(Functional Knowledge)是一种关于一个项目如何满足某一特定用户的知识,因此能解释需要和推荐的关系,所以用户资料可以是任何能支持推理的知识结构,它可以 是用户已经规范化的查询,也可以是一个更详细的用户需要的表示。

    六、组合推荐

    由于各种推荐方法都有优缺点,所以在实际中,组合推荐(Hybrid Recommendation)经常被采用。研究和应用最多的是内容推荐和协同过滤推荐的组合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法 去产生一个推荐预测结果,然后用某方法组合其结果。尽管从理论上有很多种推荐组合方法,但在某一具体问题中并不见得都有效,组合推荐一个最重要原则就是通 过组合后要能避免或弥补各自推荐技术的弱点。

    在组合方式上,有研究人员提出了七种组合思路:

    1)加权(Weight):加权多种推荐技术结果。

    2)变换(Switch):根据问题背景和实际情况或要求决定变换采用不同的推荐技术。

    3)混合(Mixed):同时采用多种推荐技术给出多种推荐结果为用户提供参考。

    4)特征组合(Feature combination):组合来自不同推荐数据源的特征被另一种推荐算法所采用。

    5)层叠(Cascade):先用一种推荐技术产生一种粗糙的推荐结果,第二种推荐技术在此推荐结果的基础上进一步作出更精确的推荐。

    6)特征扩充(Feature augmentation):一种技术产生附加的特征信息嵌入到另一种推荐技术的特征输入中。

    7)元级别(Meta-level):用一种推荐方法产生的模型作为另一种推荐方法的输入。

    展开全文
  • 基于内容的推荐(Content-based Recommendation)是信息过滤技术的延续与发展,它是建立在项目的内容信息上作出推荐的,而不需要依据用户对项目的评价意见,更多地需要用机器学习的方法从关于内容的特征描述的事例中...

        基于内容的推荐(Content-based Recommendation)是信息过滤技术的延续与发展,它是建立在项目的内容信息上作出推荐的,而不需要依据用户对项目的评价意见,更多地需要用机器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。

        在基于内容的推荐系统中,项目或对象是通过相关的特征的属性来定义,系统基于用户评价对象的特征,学习用户的兴趣,考察用户资料与待预测项目的相匹配程度。因此,对于推荐内容的理解对于推荐系统来说非常重要的。

        本资源整理了基于自然语言处理内容理解的推荐系统,整理了最近几年NLP在推荐系统中相关的应用,涉及基于知识图谱的推荐、基于文本的推荐及广告、基于对话系统的推荐、基于上下文推荐和可解释下推荐。

        资源整理自网络,源地址:

        https://github.com/THUDM/NLP4Rec-Papers

     

    目录

     

    论文列表

    往期精品内容推荐

    机器学习必读新书-《凸优化算法原理详解》免费pdf分享

    中文医疗领域自然语言处理相关数据集、经典论文资源蒸馏分享

    计算机视觉(CV)历史最全预训练模型(部署)汇集分享

    神经网络基础教材-《计算认知神经科学介绍》免费pdf分享

    视频列表页推荐算法最新研究成果整理分享

    推荐系统领域常见公共数据集整理分享

    清华大学计算机学科推荐学术会议和期刊列表

    20年校招DL/NLP/推荐系统/ML/算法基础面试必看300问及答案

    最新最全推荐系统相关优秀研究论文整理分享

    Michael Jordan-机器学习、推荐系统和AI的未来

    深度学习推荐系统、CTR预估工业界实战论文整理分享

    展开全文
  • Wuawua.com知识管理网站,打算搜集和整理计算机科学的知识,通过知识推荐和知识地图的方式呈现,希望对您的职业发展有所帮助。 与此同时,Wuawua也是一个开放的知识管理平台,希望您能够积极参与,提出宝贵的意见和...
  • 软环境建设实施方案 透过召开群众代表、党员代表、村社干部、企业业主及其他服务对象参加的座谈会、问卷调查、个别谈话、走访等方式,广泛征求对象意见推荐。下面是小编为大家整理的“软环境建设实施方案”。本...
  • 肖凯老师和余光创博士分别对第1~4章、第8~10章以及附录提出了很多修改意见,此外,中国人民大学的陈妍、李晓矛、谢漫锜三位同学、中国再保险公司的李皞先生、百度公司的韩帅先生、eBay公司的陈丽云女士、Mango ...
  • 不幸的是,虽然关系型数据库历经了约30年的发展,有成熟的理论和大量的实践基础,但是,大多数设计、开发人员在设计数据库结构时仍然是“跟着感觉走”,根据业务的需要和编程的方便,把字段这张表放几个那张表放几个...
  • 不幸的是,虽然关系型数据库历经了约30年的发展,有成熟的理论和大量的实践基础,但是,大多数设计、开发人员在设计数据库结构时仍然是“跟着感觉走”,根据业务的需要和编程的方便,把字段这张表放几个那张表放几个...
  • 《Effective c++ 》

    千次下载 热门讨论 2013-02-25 22:13:11
    继承(inheritance)和面向对象编程(object-oriented programming)在1991年对大多数程序员都很新鲜,如今程序员已经建立良好概念,异常(exceptions)、模板(templates)和泛型编程(generic programming)才是...
  • 深入理解Android:卷I--详细书签版

    热门讨论 2012-12-12 15:51:21
     机锋网、51CTO、开源中国社区等专业技术网站一致鼎力推荐 内容简介  《深入理解android:卷1》是一本以情景方式对android的源代码进行深入分析的书。内容广泛,以对framework层的分析为主,兼顾native层和...
  • 现在很多人都用着错误的方法在学习研究动作类动画,尽管你依然能从那错误的方法中得到进步,可是那对将来的发展是一种制约!那么怎样才是正确的?我还无法肯定,但以我多年的经验,我知道目前怎样才是最合适的,如果看完了...
  • 大学物理-卢德馨序言

    2010-03-19 20:25:56
    空间首先是作为物质运动的舞台,但最后也成了物理学研究的对象. 现在知道物质之间的相互作用有四种,即万有引力、弱相互作用、电磁 相互作用和强相互作用. 爱因斯坦(A.Einstein,1879—1955)生前曾致力于统一场论...
  • JAVA自学之路

    2012-09-21 20:39:46
    等你参加工作,有了可持续发展的事业动力和经济基础,有时间有精力闲的没事儿干的时候,再去研究那些其它吧。 曾经有一个故事,说得是产能和产量的关系。 一个人喜欢读书,读了一辈子,无所不通,这时候要做任何...

空空如也

空空如也

1
收藏数 20
精华内容 8
关键字:

发展对象推荐意见