11月总结

后天就是12月了。

整个11月份我只写了一篇日志就到了月底，生活里有很多日子都是这样飞奔而过。这个月，我大抵是在一半沮丧，一半昂扬的状态中度过，时刻伴随左右的，还有迷茫。

今日小结

上午10点起床，11点半到公司。
下午继续写测试，在随机生成的压力测试中，测出一个深藏已久的NULL属性单独提取Bug，甚喜。
下班之前，申请了443端口访问，希望明天能通过。只能上http网页的日子实在是太单调了，我已经受不了了。
晚上理性更新建站blog一篇，更新个人blog一篇，睡觉。
晚安。

C#中dllimport用法

dllimport是System.Runtime.InteropServices命名空间下的一个属性类，其功能是提供从非托管DLL导出的函数的必要调用信息。
dllimport属性应用于方法，要求最少要提供包含入口点的dll的名称。
[AttributeUsage(AttributeTargets.Method)]
　 public class DllImportAttribute: System.Attribute
　 {
　 　public DllImportAttribute(string dllName) {…} //定位参数为dllName
　 　public CallingConvention CallingConvention; //入口点调用约定
　 　public CharSet CharSet; //入口点采用的字符接
　　 public string EntryPoint; //入口点名称
　 　public bool ExactSpelling; //是否必须与指示的入口点拼写完全一致，默认false
　 　public bool PreserveSig; //方法的签名是被保留还是被转换
　 　public bool SetLastError; //FindLastError方法的返回值保存在这里
　 　public string Value { get {…} }
　 }

实验室一周日志–2009.7.6-2009.7.10

2009.7.6 阅读http://osdldbt.sourceforge.net/的Database Test Suite源代码，了解其基本设计思路。
2009-7-7 阅读TPC-C最新文档，了解TPCC测试时的数据库表结构，画TPC-C测试结构图
2009-7-8 继续看文档
2009-7-9 在武义，继续看文档
2009-7-10回来，看文档
您来到小站很多次了哦，喜欢的话，不妨订阅我吧·!

数据库基准测试知识收集–基础概念篇

TPC：事务处理性能测试委员会TPC(Transaction process performance Council)是一个专门负责制定计算机事务处理能力测试标准并监督其执行的组织，其总部位于美国。其功能是制定商务应用基准程序(Benchmark)的标准规范、性能和价格度量，并管理测试结果的发布。目前，TPC已经制定了众多标准，其中包括已过期的TPC-A，TPC-B，TPC-D，TPC-R，TPC-W标准和正在使用的TPC-C，TPC-E，TPC-H和TPC-APP标准。
OLTP：联机事务处理。也称为面向交易的处理系统，其基本特征是顾客的原始数据可以立即传送到计算中心进行处理，并在很短的时间内给出处理结果。这样做的最大优点是可以即时地处理输入的数据，及时地回答。也称为实时系统(Real time System)。衡量联机事务处理系统的一个重要性能指标是系统性能，具体体现为实时响应时间(Response Time)，即用户在终端上送入数据之后，到计算机对这个请求给出答复所需要的时间。OLTP 数据库旨在使事务应用程序仅写入所需的数据，以便尽快处理单个事务。
 

未来两月的安排

    下午参加实验室研究生的第一次会议，对实验室的当前情况也有了大概的了解。我们实验室目前有三个项目：垂直搜索引擎项目、数据库项目和嵌入式操作系统项目。垂直搜索引擎项目是之前已经几乎完成的比价啦电子产品引擎，而数据库项目则是之前已经有好几个版本，目前正在滚动周期中。嵌入式操作系统项目是军口项目，目前刚刚起步。
    因为嵌入式太让人头疼，垂直搜索引擎组又没多少事情干，我还是选择了数据库，试两个月再说了。明天就要去实验室了，悲剧啊。
    BTW，反正我八月份一定要回家。

开始实验室生活

    下午接到师姐电话，明天到实验室开会。看来暑假得留下呆实验室了，休息的美梦破灭了啊。
    既然如此，那就开始实验室生活吧。加油了，大树！

几种用户相似度计算方法及其优缺点

注：我毕设要做一个垂直搜索引擎中的用户推荐项目，这些是我摘录的一些资料和相关分析。
    进行用户协同过滤时，一个关键问题是如何计算用户之间的相似性。比较常见的计算用户相似度的算法有余弦相似性、皮尔森系数、调整余弦相似性三种。
    这三种相似性都是基于一个称为用户-项目矩阵的数据结构来进行计算的。该数据结构如下：    
    余弦相似性：把用户评分看作是n维项目空间上的向量，通过计算两个向量之间的夹角余弦来度量两个用户之间的相似性。     皮尔森系数：又称相关相似性，通过Peason相关系数来度量两个用户的相似性。计算时，首先找到两个用户共同评分过的项目集，然后计算这两个向量的相关系数。     调整余弦相似性：将余弦相似性中的向量，减去用户平均评分向量后，再计算夹角余弦以修正不同用户评分尺度不同的问题。     在数据比较稀疏的情况下，这几种方法均存在一定问题：余弦相似性和调整余弦相似性对于用户未评价项目评分为0的假设；皮尔森系数中用户共同评分项目集可能很小。
    在垂直搜索引擎中，用户数据具有相当的稀疏性。所以需要通过一定的手段来消除这种稀疏性。我的思路：     1.垂直搜索中存在一个项目的目录（树形结构），如果自顶向下进行评分，并将子项目分数与父项目分数按一定规则运算后作为最后评分。从而填充稀疏矩阵为密集矩阵。     2.按照密集矩阵进行推荐。
   
    欢迎访问我的独立博客：大树底下。