近年来,基于异质信息网络的研究受到国内外广泛的关注,很多研究工作(如聚类、分类、推荐等)都是在异质信息网络上开展的。异质信息网络是一种包含不同类型节点和边的网络,它具有更加复杂的网络结构和更加丰富的语义信息,可以更全面地表示系统的组成对象和他们之间的关系。在异质信息网络中,度量节点间的相似性是开展聚类、推荐等工作的基础。目前,国内外已提出许多相似性度量方法来解决异质信息网络节点相似性度量的问题,HeteSim算法就是其中一种代表性方法。HeteSim是一种基于双向随机游走的度量方法,目前HeteSim相似度计算均采用单节点计算模式,然而随着信息网络的急剧膨胀,传统的单节点计算模式已无法满足HeteSim快速计算的需求,开发在集群上运行的HeteSim并行化算法成为当务之急。本文基于分布式计算框架Spark,研究并实现了异质信息网络相似性度量方法HeteSim的并行化算法。首先,本文提出基于矩阵乘法的HeteSim并行化算法。HeteSim并行化的核心是矩阵乘法的并行化,本文针对传统矩阵乘法并行化算法内存消耗大,网络开销大,执行时间长的缺点,提出改进算法,并基于改进算法,实现了基于矩阵乘

计算两个二进制矩阵之间的 106 个相似性和不相似性（距离）的度量。 矩阵可以是任何维度，但必须具有相同的维度。 掩码可用于指示矩阵的相关元素（当度量考虑两个二进制对象中都不存在的元素时需要）。 指标： AMPLE、Anderberg's D、Anderberg、Baulieu、Braun 和 Blanquet、bc、Benini、二元欧几里德距离、二元 Lance 和 Williams 非度量、浏览模式、二元平方欧几里德距离、二元形状、Baroni-Urbani 和 Buser 1 和 2、Chi Square with Yates 校正、Chord、Cohen's kappa、Cole、Dennis、Dice、Dice 不对称 1 和 2、Digby、Dispersion、Driver 和 Kroeber、Eyraud、Fager、Faith、Fager 和 McGowan、Forbe

二摘代码MATLAB LOMO_XQDA 通过局部最大出现表示和度量学习对人员进行重新识别 介绍 该MATLAB包提供了我们的CVPR 2015论文[1]中提出的LOMO特征提取和XQDA度量学习算法。 项目页面： 内容 该软件包包含以下组件。 / code：用于LOMO特征提取和XQDA度量学习算法的MATLAB代码，以及两个演示如何使用这两种算法的演示。 为了评估目的，还提供了两个用于计算马氏距离和CMC曲线的函数。 / bin：用于Retinex图像预处理的MEX函数。 由于不允许发布其源代码，因此我们为Windows和Linux，x86和x64平台提供MEX函数。 / images：VIPeR数据库中的两个示例图像，用于演示LOMO功能提取。 / data：为VIPeR，QMUL Grid，中大校园和CUHK03数据库提取的LOMO功能。 由于功能文件的大小，它们作为单独的下载提供。 /结果：在我们的CVPR 2015论文中报告的CMC曲线。 您可以绘制这些曲线以进行性能比较。 用法 为了快速入门，请运行Demo_LOMO.m代码以进行特征提取演示，然后将已提取的LOMO特征从

多得分手 允许在scikit的cross_val_score使用多个度量功能的cross_val_score 。 正如已经讨论过的那样，Python的SciKit包含了用于计算估计量评估指标的强大功能（使用cross_val_score ），但在为同一分类器计算多个指标而不进行再次训练时，它似乎失败了。 由于仅接受单个度量标准名称或单个可调用名称的函数的scoring参数而出现问题。 此存储库的模块multiscorer是一种在cross_val_score中使用任意数量的指标的解决方法。 安装 要“安装”模块，只需下载源代码并将其放置在项目的目录中即可。 （或者，下载multiscor

HiddenLayer - 面向PyTorch/Tensorflow的神经网络图和训练度量的轻量库

第十章 降维与度量学习10.0 本章线性代数基础知识本部分内容参考于<线性代数(第五版)>以及"彬彬有礼的专栏", 博客地址: https://blog.csd

在不确定的环境中灵活的车间调度在现实世界的制造系统中起着重要的作用。 为了捕捉柔性作业车间调度的不确定性和多目标性质，构建了多目标随机柔性作业车间调度问题（MOSFJSSP）的数学模型，该模型包含制造时间跨度，最大机器工作量和鲁棒性三个目标。在各种实际约束下，同时考虑不确定性。 基于统计工具定义了两个基于方案的新的鲁棒性度量。 为了适当地解决MOSFJSSP问题，开发了一种基于分解的改进多目标进化算法（m-MOEA / D）进行鲁棒调度。 我们方法的新颖之处在于，它采用了一种新的子问题更新方法，该方法利用了全球信息，允许保存在档案中的精英们参与子代的产生，采用子问题选择和中止策略，将更多的计算工作集中在有前途的子问题上，并结合了特定问题的遗传算子进行变异。 在18个问题实例上的广泛实验结果，包括8个总柔性实例和10个局部柔性实例，表明这两种新的鲁棒性度量比现有的基于情景的度量更为有效，可以提高进度对不确定性的鲁棒性并保持被破坏目标的较小方差价值观。 与最新的多目标优化进化算法（MOEA）相比，我们提出的基于m-MOEA / D的鲁棒调度方法可实现更好的收敛性能。 还分析了三个目标之间的不同权衡。

154_一键批量建立时间智能度量值.doc

单词和文本相似性度量_Roff_代码_相关文件_下载

基本用法 目前支持三个或更少变量的信息度量。基本用例是将每个变量的数据数组传递给每个函数。这些将被离散化。 也可以传入频率（如果数据已经离散化）或概率（如果概率已知或已经估计） - 见下文。 配置选项 可以将以下关键字参数传递给每个函数： estimator (String) 估计概率分布的估计器 "maximum_likelihood"（默认） "miller_madow" "dirichlet" "shrinkage" base (Number) 对数的底，即熵的单位 2（默认） mode (String) 离散化方法 "uniform_width"（默认） "uniform_count" "bayesian_blocks" number_of_bins (整数) 0（默认） get_number_of_bins (Function) 用于计算 bin 数量的自定义函数（仅在number_of_binsis时使用0） get_root_n（默认） 特定于 Estimator 的配置选项 更多详情、使用方法，请下载后阅读README.md文件