Lok Tar! 木有移轴镜头我有PS!

Posted on November 21, 2011 by Mark

心血来潮,进WOW截了两个图,PS了一下.嗯,看着怎么还像模像样的.

时差党的好处之一就是,做日常基本上碰不到别人抢…

Photos taken by Lumix GF2

Posted on November 3, 2011 by Mark

Bought a new camera this week on Amazon, Lumix gf2, em…finally I’ve got a “gf” before the holy huge “single day” (2011.11.11), anyway…

CTM mouse, tooooo huge for my hand.

Beats Solo, the bass doesn’t meet my expectation..

light and color look nice ^ ^

精简新浪微博界面

Posted on October 27, 2011 by Mark

UPDATE: 最近更新于2012年3月1日.
在github上建了一个repository,更新起来方便点.点此传送.

作为一个处女座,每当我屡屡看见新浪微博的输入框下的那一坨花花绿绿的广告,总是会忍不住去把它点掉,可恶心的是点掉之后过不了多久又会出来…于是去找插件,看到了一个chrome插件,叫Stylish,可以自定义网页的css.
接着发现已经有人写过类似的去广告的脚本,copy过来,发现还不够精简,于是又去掉了感觉自己基本上不会用的东西,比如说分组什么的.
改着改着,结果一发不可收拾了,看见哪里不顺眼就想把它改掉.于是继续动刀子,修了两个圆角出来.如下图:

细心的盆友会发现,输入框上面发生了小小的变化,左边变成了”Hallelujah!”,而右边的”请文明发言”也不见了- -,要实现这个效果,光光依靠修改css就比较麻烦了,于是介绍第二件神器–tampermonkey,这家伙让我又花了整整一天去学习JQuery.
发现这种好东西后不再多改点东西作为处女座偏执狂完美主义者是不会善罢甘休的,想起来一打开新浪就是五彩缤纷的图片,我怎么都忍不住不把它弄掉.可是直接去掉图片的话简直弱爆了,用这种神器去做这么低级的事情,我自己都会看不起自己的.于是我想了一个觉得比较靠谱的方法,把缩略小图的尺寸变小,降低透明度,然后加上阴影,这样看起来比较清爽,同时阴影的存在也可以让我看见那儿有个图片哟,当鼠标进入图片周围区域时,自动扩展为中等缩略图.(这里说一下,新浪有三种大小格式的图,小的缩略图,中等的缩略图,和原大小的大图).还有我把视频分享的缩略图也去掉了,因为貌似每个视频分享正文里都有视频图标?
效果如下图:
Continue reading →

以主之名

Posted on September 17, 2011 by Mark

从今天起,不再只为这一身躯壳.
哦,主耶稣,请指引我方向.
Amen.

出发之前

Posted on September 6, 2011 by Mark

要出发了,都不知道怎么总结过去的两个月.
毫无目的的日子可以过得很快.
每当我觉得抓不住时间的时候,就安慰自己,等老了以后就不会觉得快了.
大学四年似乎进一步加深了不擅和生人说话的弱点.
一些变化需要发生,不在东半球,就在西半球.

嘿,我来了,沙滩之子们!

乱侃之关注相似人群[at]豆瓣

Posted on July 29, 2011 by Mark

我今天在想,虽然社交网络在今天这么火,但未来应该不是那样的吧,可能是自己对其并不非常感冒.
寻其根源,似乎就是国内SNS共有的一个蛋疼特色,给你在主页显眼的地方显示来访记录,比如扣扣,比如淫淫.或许这可以让那些人觉得备受关注,但对于大多数人来说,这个其实是个障碍,心理上也好,怎么也好,信还是不信,由你,我反正信了.

豆瓣上还算不错,没有这个坑爹的特色,于是我可以肆无忌惮地在好友的收藏中淘书淘电影.
前两天在想怎么去多找些人来关注,说到关注,一般来说,都希望是找些与自己共同点相对多一些的人,而就豆瓣来说,其掌握了如此之多的用户信息与资源,在其推出”豆瓣说”之后,理所当然地推出了”你可能感兴趣的人”,类似twitter上的”whotofollow”.但是我看了一下,豆瓣推荐给我的基本上是一些被关注数很多的用户,而且不会给出为什么推荐给我的理由,这点让我可以怀疑他是偷懒地按被关注数排序然后随机抽了一些来推荐给我.

我希望得到的推荐是怎样的呢,除了那些名人和风向标外,还希望找到一些在各方面更接近一些的,这样的话从身边的朋友出发可能更容易找到.这种扩展节点的方法比较像搜索算法中的BFS(广度优先搜索)…好吧,似乎爬虫什么的都是BFS.
这样做下来也只不过是抓到几百个用户ID而已,没什么太大的意义,我想做的是寻找与指定用户有较高相似度的人群,而对于豆瓣而言,最直接地就是从用户收藏的电影以及书籍来入手.

随便yy个公式:设 f(a) 为某用户y的某部收藏a的所具有的相似值, 当前指定用户为x,
如果用户x收藏了a,a具有标签 t_0,t_1...t_k 则 $f(a) = {n/s} * log_2 (1+C(a))+{ m/{k*s}}*(sum{i=0}{k}{G(t_i)}-1)$ ,其中 G(t_i) 表示用户x的收藏中具有标签 t_i 的数量, C(a) 表示到目前为止用户x与用户y所具有的共同收藏的数量,表示用户y的收藏总数.稍微解释一下思路,公式前面一部分姑且称为”全等奖励”,如果有很多相同的收藏,那么应该有理由增加这些相等收藏所占的权重;后半部分,举个例子来说,某收藏书有4个标签,{a,b,c,d},数据库中具有标签a的书有3本,具有标签b的书有2本,标签c的有4本,标签d的有0本,那么这部分得到的相似值为2*m/s,m为某待测定的合适的系数.减1操作姑且称为”零等惩罚”,意即在没一个相等的时候会贡献负的相似值.除以收藏总数则是为了减少因为收藏数量的差别而产生的影响.
Continue reading →