两个都用了，感觉微信的，摇了几下就有红包；但是支付宝的，按了十几下，一点都没有，挫败感很强，感觉不会再用第二次了。这种是不两者在实现算法上有很大的不同？

央视的网络直播页面，有京东的广告，每次打开页面都有弹出来。我春节刚在京东买了台数码相机，结果，现在的京东广告全变成了相机广告。我明明买了一台相机，难道短期内还会买第二台？以前也有这种情况，反正就是我买了什么它就推荐什么。京东做推荐系统的兄弟也太偷懒了吧，还是有其它解释？

我一开始看，作者说这里面只涉及概率最核心的两个公式。一个是加法，一个是乘法。到了后来完全不知道她在讲啥。到无向图就完全懵了。大家都是咋学习概率图的？

英文内容我看的很不顺畅，谁能帮我比较通俗易懂的解释一下，以切比雪夫聚合为例即可。

最近论文需要用到wavecluster，但是在网上找了资料，基本都是下面的这些，基本上看不太懂，求大神指教一下，如果能有具体的代码或者伪代码就最好啦，谢谢大神 步骤1） 对特征空间进行量化，把每个维度分成m段，这样，整个空间分成单元，然后把对象分机到相应的单元； 步骤2） 对量化后的特征空间进行离散小波变换； 步骤3） 在变化后的特征空间的子波段中找出相连的部分，就是簇； 步骤4） 为每个簇所包含的单元分配相应的标签； 步骤5） 建立查找表，用于把变换后特征空间中的单元映射到原特征空间中的单元； 步骤6） 把每个单元的标签分配给该单元内的所有对象。

推荐系统里常用矩阵分解算法，它把latent factor看做两个低秩矩阵相乘。这本质上是假设lantent factor都是线性的。这个假设有什么概率上和现实意义上的依据？有没有可能latent factor是恰恰非线性的，导致推荐算法失效？

前提是有大量的已知数据。

收到个什么机器学习培训班的广告，翻了下，发现里头写的课程，大部分看起来还好，感觉就和上过的数值分析课差不太远，看到下面17、19后就感觉无语了： 第17课 变分KL(p||q)与KL(q||p)分析、平均场理论 第19课 条件随机场CRF 无向图模型、MRF、前向-后向算法 一节课就想讲完！作为一个统计物理、固体物理不得不看了好久书的人，感觉真能搞清楚这两个，足以论文灌水了。这个培训班广告也太能吹了。 既然如此，现在实际中，机器学习都是用的哪些算法？ 从网易云音乐、今日头条的使用体验来看，我估计肯定没用什么复杂算法，而且从一些弱智推荐结果看，一些最基本问题都没处理好。

bp算法容易收敛到局部最优，普遍通用的做法避免收敛到局部最优的方法是什么呢？通常做神经网络优化是用bp算法吗？为什么不用粒子群呢？