演算法策略評估

㈠ 遺傳演算法的基本原理

遺傳演算法本質上是對染色體模式所進行的一系列運算，即通過選擇運算元將當前種群中的優良模式遺傳到下一代種群中，利用交叉運算元進行模式重組，利用變異運算元進行模式突變。

㈡ 個性化推薦演算法的四大策略02

在復雜的推薦系統中，推薦演算法作為其最核心、最關鍵的部分，很大程度上決定了推薦系統性能的好壞，且重點體現在數據決策層。

在個性化推薦系統中，簡單推薦策略主要分為：基於熱門推薦推薦、基於基本信息推薦、基於內容推薦、基於關聯規則推薦。

熱門推薦，顧名思義就是使用統計的方法將最熱門的物品進行推薦，越熱門的物品被點擊的可能性越大。

基於基本信息推薦是根據用戶的基本信息如：領域、職位、工作年齡、性別和所在地等給用戶推薦感興趣或者相關的內容，比如年齡-關聯電影表、收入-關聯商品類型表，性別-文章關聯表等等。

因為基於熱門推薦與基於基本信息推薦使用比較簡單，所以這兩個推薦策略應用比較廣泛。

基於內容推薦是指（Content Based Recommandation）利用用戶和物品的相關信息，例如前述用戶和物品畫像信息及用戶對物品的行為構建的模型，例如瀏覽、點擊、打電話、收藏、評論、下單等。內容推薦演算法根據用戶行為推斷用戶偏好，並為用戶推薦相同偏好的物品。

基於內容推薦的計算過程一般分為四個步驟：

由這些共性屬性查找其他物品，並實施推薦。

基於關聯規則推薦（Association Rules）是通過數據挖掘的方法找到物品之間的相關關系，再進行標簽推薦，比如大家所熟知的「啤酒」和「尿布」，就是某超市工作人員通過對顧客的購物清單進行分析後，才發現了啤酒和尿布之間的共現關系。

而衡量物品之間的關聯性時，主要看支持度、置信度和提升度這三大指標。

支持度表示 AB 共現情況占所有情況的比例，則有表達式 Support(A->B)=P(A&B)，它往往用來評估搜索詞當中該詞出現的概率。

置信度表示 AB 共現情況占 A 情況的比例，其表達式為 Confidence(A->B)=P(A&B)/P(A)。

提升度表示以 A 為前提下 B 出現的情況與 B 情況的比例，表達式為 Lift(A->B)=P(B|A)/P(B) ，它往往用來評估推薦效果。

在計算 Lift(A->B) 時，主要出現以下三種情況：

Lift(A->B)>1 時，說明搜索 A 時推薦 B 比直接推薦 B 的效果更好

Lift(A->B)=1 時，說明搜索 A 和搜素 B 屬於獨立事件，二者沒什麼關系

Lift(A->B)<1 時，說明搜索 A 和搜索 B 負相關，搜索 A 還不如不去推薦 B。

㈢ 數據結構中評價演算法的兩個重要指標是什麼

數據結構中評價演算法的兩個重要指標是時間復雜度和空間復雜度。

同一問題可用不同演算法解決，而一個演算法的質量優劣將影響到演算法乃至程序的效率。演算法分析的目的在於選擇合適演算法和改進演算法。一個演算法的評價主要從時間復雜度和空間復雜度來考慮。

1、時間復雜度：

演算法的時間復雜度是指執行演算法所需要的計算工作量。一般來說，計算機演算法是問題規模n 的函數f(n)，演算法的時間復雜度也因此記做。

2、空間復雜度：

演算法的空間復雜度是指演算法需要消耗的內存空間。其計算和表示方法與時間復雜度類似，一般都用復雜度的漸近性來表示。同時間復雜度相比，空間復雜度的分析要簡單得多。

(3)演算法策略評估擴展閱讀：

評估演算法效率的方法：

1、事後統計方法

這種方法主要是通過設計好的測試程序和數據，利用計算機計時器對不同演算法編制的程序的運行時間進行比較，從而確定演算法效率的高低。

2、事前分析估算方法

在計算機程序編寫前，依據統計方法對演算法進行估算。經過總結，可以發現一個高級語言編寫的程序在計算機上運行時所消耗的時間取決於下列因素：演算法採用的策略、編譯產生的代碼質量、問題的輸入規模、機器執行指令的速度。

參考資料來源：網路-演算法