Jun 10
Rex分享
好久没更新blog，可能由于很多原因吧，但我要承认我的确不是一个很能坚持的人，我有一颗太不安分的心了，这是我的不好，努力改正之！
……………………………正文……………………………………
作为一起学Lightroom系列的第六篇貌似和Lightroom没有什么关系了。这里我要讲的一个很常见但是很重要的概念——白平衡！
开始之前我想解释一个常见的误区，颜色的冷暖和色温是不是一回事儿？
我们通常认为颜色是有温度，黄色和红色让人感到温暖所以是暖色，蓝色让人感觉冷所以是冷色。但这并不是色温的概念。色温是光的一个物理属性，由先贤开尔文同志定义，单位也是热量单位开尔文。有意思的是色温和我们通常说的颜色的冷暖是相反的，即红色的色温低，蓝色的色温高。
了解了色温的概念以后，我们就来看看不同温度的光照在物体上的不同表现。
白色的东西之所以是白色是因为白色的光（红绿蓝三色等量）照射到物体上进行了全量的反射，所以反射的光也是白色的。但如果光源的色温不同，例如白炽灯偏红黄，照射到白色的物体则反射主来的就是偏红黄的光，我们所看到的白色物体也会变成偏红黄的颜色。但很多时候我们发现在不同的光源下看到的白色还依旧都是白色，这是因为我们的肉眼有一套完善的系统，会自动调节白平衡。
相机中也有一套类似的系统来调节白平衡，他通过调整其他各种光之间的比例，来修正不同光源发出的不同色温的光所带来的偏差。倘若相机无法很好的纠正白平衡的问题，我们亦可以用Lightroom来进行二次修正。
以上就是关于白平衡的基础概念，这个题目我策划了很久，其实迟迟没有和大家分享，见谅！下一次，我会介绍Lightroom中如何调整白平衡。
Apr 17
Rex分享 Lightroom
有几种情况我们需要导入导出和备份操作。
- 相片太多了，一台电脑装不下，我们必须把它转移到其他的移动硬盘。
- 希望把原始照片和修改信息一起与别人分享。（LR的存储方式见上一篇）
- 相片很重要（其实不存在不重要的照片），我们希望把它备份到多处，以防止某种灾难（笔记本丢失，硬盘损坏……）的发生。
第一种情况：
我们可以把某个相片目录整个拷贝到数据中心（可能只是个移动硬盘），然后把Lightroom的目录路径指向新的位置就可以了。
例如，我把所有09年的照片保持在移动硬盘中。然后右键09年相册的目录：
选择“Update Folder Location”。找到新的目录确定。
由于09年的相片操作和查看的几率相对较少，保存在移动硬盘中并不会造成很大的不便，而且这样可以节省几十G的空间，而且其实我们还都只是操作一个版本的照片，不会造成同步和合并等复杂问题。
需要注意的是：这些照片的缩略图缓冲仍然保存在电脑的lightroom目录里面。所以你仍可以查看他们的缩略图，但不能编辑。（目录前面会有个问号
。每个图片上也会有如此提示：
）当重新插入移动硬盘时，Lightroom会自动监测到的。
第二种和第三种情况：
就要用到Lightroom目录的导入和导出了。选择好图片，file->export as catalog 选择位置即可。Lightroom会将原片和修改信息一起导出制定目录，并且声称一个Lightroom目录文件（Lightroom catalog file *.lrcat）。
导入的时候就是Import from catalog。
需要注意的是，这样你就维护了不止一个相册版本，不同版本中可能存在冲突。也就是说很有可能你在两个版本中都做了修改，但是却很难把两个版本merger到一起。
Lightroom系列教程：
Apr 17
Rex分享 itunes
总是有一部分电驴上下的MP3无法导入Itunes，没有任何错误提示，就是没有人和反应。
原因我猜应该是因为Itunes对音乐的格式非常之挑剔，所以不允许导入不太合格的音乐。不过没有提示这件事情也真叫人够呛，错哪里了都不知道。
网上找到的格式说明：
支持声音文件格式：AAC (8 至 320 Kbps)、Protected AAC (来自 iTunes Store)、MP3 (8 至 320 Kbps)、MP3 VBR、Audible （格式 2、3 与 4）、Apple Lossless、AIFF 与 WAV
我查了一下我无法导入的MP3大多是MP3 320kbps的，虽然在规格你倒是无法导入。:(
我的办法就是转格式，转成Apple首推的AAC格式：
1.打开foobar，选择歌曲，右键选择Convert
2.选择三个小圆点的按钮。配置一下码率，犹豫我以前就是320的mp3所以我转成320vbr的aac。（传说中AAC要比MP3硬质好一些，vbr就是可变码率的疑似，可以在一些没有声音的时候把码率降下来，可以减小体积。）
3.配置好就转格式了。
转换成功后可以导入了，解决方法到此结束。Good Job!
PS：至于网上流传的的，偏好-常规-导入-导入配置-MP3编码…………的方法貌似是导入CD的的压缩配置，和导入MP3没什么大关系吧。我试了没任何用。
Apr 08
Rex分享, 图片 Lightroom
Lightroom作为一个数码照片的管理工具，必须具备一种无损存储和编辑相片的能力。
也就是说，LR必须存储所有照片的原始版本，然后存储对所有照片的每一次的修改信息和源信息，以便能够回滚到任意修改步骤和进行快速的检索。
综合上述理由LR有了这样的一个存储方式：Lightroom目录+原始图片
More
Apr 08
Rex分享, 图片 Lightroom
好久没继续这个专题了，好的分享一定要坚持。
在这里重申一下，Lightroom是一个很好的管理数码照片的软件，他管理这数码照片的整个生命周期。就像他的标签一样，Libray –> Develop –> Slideshow –> Print –> Web。其中最重要的就是libray和Develop，其他三个其实的确不怎么常用。
那么开始的第一步就是导入照片。
LR提供三种导入照片的方式：
- 文件导入( from Disk) 指通过选择图片文件导入，支持JPG等文件。
- 设备导入( from Driver ) 指通过各种外接设备导入，例如用数码相机，移动硬盘，优盘，Ipod等。
- 目录导入( from Catalog ) 目录是一种LR的格式，他保存着原始图片和说有对原始图片的修改。可以把一组照片作为一个目录导出和导入。
Jul 23
Rex互联网, 分享 UCD，原型设计，Axure, 管理
原型设计的两个重要概念：
设计是一次性的。
任何原型都是一次性的，当我们更改变化或进行实际开发的时候，之前的原型将随即作废。所以过多的在原型设计阶段耗费精力是一种浪费。
对策：使用快捷的工具和方法，减少制作原型的成本。关于具体的方法我举几个例子：
- 减少对原型制作工具的学习和使用。
- 对原型所要表达的内容的精确控制。例如某些项目就可以使用没有样式的控件，来避免在UI配色上浪费的时间。
- 有效的管理原型，达到部分重用。用版本控制工具管理原型的版本，实现不同版本之间重用。
Jul 22
Rex互联网, 分享 UCD, 原型设计
像许多教科书式的失败一样，我们的项目也由于需求获取不足和瀑布式开放方式造成开发没法继续进行。开发人员走了一波又一波，新来的人根部不知道要搞一个什么东西。介于此，我们希望借助原型开放的方法来让新人了解需求。为此我做了一些功课：
UCD以用户为中心的设计。
概念：让用户参与到产品的设计中并成为主导。
方法：客户访谈，焦点小组，原型设计，可用性测试，验收测试等。
过程：以用户为中心的设计应该是一个反复的过程。
More
Jul 07
Rex分享 个性化推荐, 电子商务, 算法
声明：以下介绍纯属科普性质的，有些说法可能达不到学术上的严谨要求，全为更好的理解。
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：
- 不需要其它用户的数据，没有冷开始问题和稀疏问题。
- 能为具有特殊兴趣爱好的用户进行推荐。
- 能推荐新的或不是很流行的项目，没有新项目问题。
- 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。
- 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：
- 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。
- 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。
- 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。
- 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：
- 加权（Weight）：加权多种推荐技术结果。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
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 |
注：本着不重复发明轮子的思想，以上部分内容转自http://www.guwendong.cn/post/2006/methods_for_recommender_system.html 但这个作者也应该转自某处吧，也为我见过里面原封不动的话。
下面是本人对于前文中提到的问题的一些解释：
-
稀疏性问题：由于每个用户只对很少的商品做出评价，所以得到的用户相似性就不够准确，寻找相似邻居不可靠。
-
冷开始问题：在加入一个新的项目的时候，没人评价，可定也不会有人推荐。
-
奇异发现问题：系统一般推荐给用户的都是些熟悉的商品，而用户真正需要的是不熟悉的商品。
-
新用户问题：在系统还不了解用户的时候无法推荐，所以如何尽快了解用户变得尤其重要。
-
健壮性问题：用户评价可能充斥着生产厂家和竞争对手的“假评价信息”，所以系统应该具有某种健壮型来抵御假数据。
Jul 04
Rex分享 amazon, 个性化推荐, 电子商务
其实所谓的个性化技术也就是使用一些技术手段来增进用户体验，放大客户的部分需求，给客户一种于众不同的感受。但是这些技术的应用往往可以是一些网站之间产生差异化，提升网站的档次，吸引客户的眼球。
下面我就举例说说个性化技术在电子商务中的一些应用：
1.个性化印制服务
or
……
他们都是提供个性化印制的网站，用户可以用自己设计的图案制作衣服、杯子、小家居用品等。并且如果设计的图案出色还会有一定的报酬。
2.个性化推荐
这应该是个性化技术最主要的应用了，它的原理是根据每个客户的不同信息，对客户进行差异化的商品推荐。比较典型的提供个性化推荐的网站是“豆瓣”和“amazon”。
豆瓣：
amazon：
至于推荐算法，我将在下一次博客中详细介绍一下。
3.试衣间
人们在网上买衣服是最害怕的就是衣服不合身，但是网络上有没有办法提供传统商店里的试穿服务，所以虚拟的试衣间对客户来说是非常必要的。但是一般网站上只有模特的照片，不能满足不同身材和容貌的客户试衣服的需求。下面这个真人内衣试穿的网站就提供了很多不同身材甚至不同肤色不同人种的模特来替客户试穿，不仅提供照片，而且还有视频。
http://www.knickerpicker.com/dressing-room.asp
淘宝也有自己的试衣间，不过只能用来简单的搭配一下衣服。
4.个性化主页
个性化主页在一些门户网站（msn、yahoo！）和社区中已经被广泛应用，在电子商务领域它依然有存在的价值。
thisnext.com是我非常喜欢的一个购物推荐的网站，他就提供了一种个性化主页的设置。用户可以输入自己感兴趣的关键字，然后当用户登陆时首页就会显示你所感兴趣的最新商品。
我总结的应用就只有这些了,肯定会有我落下的,而且今后也会出现一些更好的个性化应用.
Jul 03
Rex分享 个性化推荐, 电子商务, 豆瓣
个性化技术就是通过技术手段对每个客户提供有区别的服务。往大了说是增强了用户体验、影响购物过程，往小了说就是就是给每个用户一个不同的页面。
个性化技术中最核心的内容就是个性化推荐系统。
个性化推荐最典型的应用案例就要数豆瓣了。豆瓣里面有一个“豆瓣猜”的功能，它是根据协同过滤算法猜测出用户最可能喜欢的图书、音乐或者电影。由于豆瓣有相当大的用户基数和优秀的算法，所以推荐的结果非常准确。
个性化技术影响着整个用户购物的过程。
- 售前：例如，服装网站个性化的虚拟试穿，豆瓣的豆瓣猜……
- 售中：例如，亚马逊购买一本书后，会推荐一些可能你还要购买的书，进行打包销售。
- 售后：根据客户的一些个人信息进行一对一的回访等。
个性化推荐系统的组成：
- 输入：隐式、显式输入、关键词和项目属性输入、用户购买历史、评分、文本评价、团体购买历史、项目属性
- 推荐：建议、预测、个体评分、评论（其他人的评分和评论）
- 输出：查询推荐、相似推荐、email、评论、评分、top_n、搜索排序……
下一篇我会结合一些电子商务网站的实例，来介绍个性化技术。
Older Entries
RSS
