1. 结合卡尔曼滤波器的动态隐特征分析模型算法已经用j**a实现，其中上周进度报告提到的关于实验的两个想法已经实现其中1个：（1）如何把高维稀疏矩阵的稀疏性特点嵌入到卡尔曼滤波器中；（2）带有时间的数据集已经预处理好，计划用每个时间切片的评分数据分别训练卡尔曼滤波器得到的每个时间切片的特征矩阵。
2. 其中第二个想法的实验结果已经做完，实验测试数据集movielens 1m（有时间戳，我们已经预处理数据，按月为单位划分时间戳，一共35个时间戳）。计算效率上大幅度优于传统的结合时间的隐特征分析模型（timesvd++）和传统的lf模型相当（不带有时间维度的隐特征分析模型）。
因为我们的方法不用对时间特征进行求导，所以隐特征分析模型还是在用户-商品特征两个维度利用梯度下降进行最优求解，只是再每个时间切片的评分数据训练完成后利用卡尔曼滤波器得到下一个状态用户的特征矩阵。精度方面比timesvd++或者lf模型要略低，我们的实验结果rmse只能达到0.87，传统的lf模型能够达到0.
85。造成这个结果的原因可能有两个：（1）初始参数的选择，如正则化参数和学习率）；（2）数据集本身的问题：
因为我们选择的movielens 1m按月划分后，数据在每个时间戳上面的分布极度不平均（评分数据基本都集中在前9个时间戳）。
4. 下周计划：**实现第一个想法：
（1）如何把高维稀疏矩阵的稀疏性特点嵌入到卡尔曼滤波器中。这个想法是本研究点的核心，如果能够得到好的实验结果，有机会可以写出很好的**。
第四周实习情况汇报
实习情况汇报。一 实习地点 重庆市开县长沙镇。二 实习时间 2013.12.5 2013.12.6三 实习单位 重庆市开县陈家中学。四 实习班级 高2016级13班 20班，高2014级24班五 实习指导老师 陈芳 6 实习内容 这一周跟着陈老师在高三年级听了关于诗歌形象 语言和表达技巧的鉴赏的课。...
第四周实习报告
实习一开始的兴奋和担心随着对实习一步步熟悉而渐渐减少，但第四周却有些紧张，对于星期四的一节新课的怎样讲，课堂会是怎样的氛围，讲解能否让学生接受，都充满顾虑。尽管有过一次课堂的教学还是对自己第一次的新课堂有期盼的兴奋还有担忧。对于这节新课的感受和第一堂课的感受不同，初登讲台时感受到的是一份责任，再次等...
第四周假日作业
八年级语文第四周假日作业。班级姓名家长签字。一 积累 运用。1.阅读下面一段文字，完成题目。母爱是什么？母爱是一生相伴的盈盈笑语，母爱是漂b 天涯的缕缕思念，想起了母亲，志向消沉就会化为意气风发 想起了母亲，虚渡年华就会化为豪情万丈 想起了母亲，彷徨无依的心灵就找到了q 息的家园。1 根据拼音写出汉...