Vim, Sublime Text, VSCode 快捷键，虽然也不常用，有备无患

精读论文第一期，本期选择的是 SIGIR 2017 中关于推荐系统和跨领域推荐的文章

Matrix factorization (MF) is often used in building recommender systems. The extension of it, tensor factorization has come to us.

Website of Code Recommendation with Natural Language Tags and Other Heterogeneous Data

HBase – Hadoop Database，是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用 HBase 技术可在廉价 PC Server 上搭建起大规模结构化存储集群。HBase可以依靠横向扩展，通过不断增加廉价的商用服务器，来增加计算和存储能力。

实习开始，头儿让我一起参与数据库服务器迁移的项目，是 Flume+Kafka+HBase(Storm)+Hadoop 的解决方案。

在 GFW 越来越厉害的时代，在 Digital Ocean 上申请最廉价的 5 刀/月的 VPS 服务器，对于个人用户来说是足够了，就可以科学上网！安心学术上不了谷歌，真是辛酸。

对手论证，一般用于给出问题的下界。若用 $P$ 表示所讨论的问题，$I$ 表示问题的输入，$A$ 表示解决问题的基于比较运算的算法，$T(,A,,I)$ 表示对于输入 $I$，算法 $A$ 的计算时间复杂性，那么函数 $U(n)=min\{ max \{ T(A,,I) \},\text{ for each } I \},\text{for each } A$ 表示问题 $P$ 在输入大小为 $n$ 时在最坏情况下的最好时间下界，它是问题所固有的。

一个操作序列中，可能存在一、两个开销比较大的操作，在一般地分析下，如果割裂了各个操作的相关性或忽视问题的具体条件，那么操作序列的开销分析结果就可能会不够紧确，导致对于操作序列的性能做出不准确的判断。用平摊分析就可以得出更好的、更有实践指导意义的结果。因为这个操作序列中各个操作可能会是相互制约的，所以开销很大的那一两个操作，在操作序列总开销中的贡献也会被削弱和限制。所以最终会发现，对于序列来讲，每个操作平摊的开销是比较小的。

算法导论中的经典问题，分治的思想，从子问题着手。

图的经典算法，除了 DFS 和 BFS 之外，最短路径（Shortest Path）也是很重要的类别，并且与最小生成树（MST）中的 Prim 算法、Kruskal 算法也有千丝万缕的联系，可以用贪心策略解决...

做JAVA的第一次大作业有感，觉得以后会用到其中某些东西吧，这个奇怪的作业，这个磨人的小妖精~

使用 Sorting 和 Selection 方法更加机智地解决一些经典难题。