最近在清洗数据时需要转换时区，将EST和EDT时区的时间转换为GMT时间。

EST: Eastern Standard Time 东部（美国）标准时间

EDT: Eastern Daylight Time 东部（美国）夏令时时间

ET: Eastern Time 东部（美国）时间

GMT: Greenwich Mean Time 格林尼治标准时间

其中，EST和EDT是ET在不同时间段的两种说法。

简单来说，ET在夏季月份（summer months) 采用EDT, 在其他月份采用EST时区，因此EDT和EST是不会同时存在的。

举个例子：

在美国，EST时区的采用时间段：

开始时间：当年11月份的第一个星期天凌晨2.00（如2018.11.4， 周日， 2.00）

结束时间：次年3月份的第二个星期天凌晨2.00（如2019.3.10，周日， 2.00）

其余时间采用EDT时区。

时区转换

EDT 比GMT时间慢5个小时，即EDT=GMT-5

EST 比GMT时间慢4个小时，即EST=GMT-4

北京时区比GMT快8个小时，即北京时区=GMT+8

因此，可以得到：

EDT比北京时间慢13个小时，即EDT=北京时间-13

EST比北京时间慢12个小时，即EST=北京时间-12

参考：

格林尼治时间官网：https://greenwichmeantime.com/time-zone/usa/eastern-time/

最近学着用Django搭建了个个人博客，目前域名正在备案中，现在把我这最近半个月的摸爬滚打经历记录下。

Django入门

1. Python核心编程
2. 追梦人物的 Django博客教程
3. 菜鸟Django教程
4. 自强学堂Django教程

第一阶段：我首先看了Python核心编程中的Django章节，刚开始看的有些云里雾里。于是我去菜鸟教程那里按着Django教程的步骤搭建了下，菜鸟教程Django部分比较简单，之后对整体有了大致了解后再进一步看核心编程，发现能够比较容易理解了。

第二阶段：这里非常推荐追梦人物博主的博客教程，写的非常详细，按着博主的步骤就能够一步一步的把个人博客搭建起来，并且博主也提到了不少学习资料，对我们这些初学者能提供极大的帮助。另外自强学堂的内容我大致看了下，写的比较细，把个人博客搭建起来后再看可能效果会更好。

Django博客搭建

我这里就放一些我在搭建博客时用到的一些不错的资源。

Bootstrap模板：https://html5up.net/
这个网站提供了免费的响应式模板，我觉得很漂亮。

日历插件：http://www.jq22.com/yanshi11367
这是我使用的日历插件，也可以在这个网站上找到一些别的datepicker的日历插件。

abowman:http://abowman.com/
这个网站很有趣，可以在网页上显示一个有趣的动图，有需要的可以自己插入网页。

域名和云服务器

我这里是在阿里云上学生优惠买的云服务器，域名也是直接在阿里云购买的。域名购买后记得要进行解析，还有备案（备案真的好麻烦）。

使用nginx后无法出现欢迎界面
这个地方我摸索了好久，一直不知道怎么回事，在阿里云服务器上输入sudo service nginx start后，通过域名访问始终无法显示nginx的欢迎界面。后来发现原来是阿里云服务器的安全组设置中没有配置80端口。
解决：
进入阿里云ECS控制台->安全组->配置规则->公网入方向->快速配置规则->选中80端口和443端口，授权对象为0.0.0.0/0，确定即可。

在进展到用nginx和gunicorn步骤时始终出现欢迎界面。
解决：
进入/etc/nginx/sites-enabled删除default文件，原因是默认配置覆盖了我们的配置。

目前我还在慢慢学习中，
待续…

— 2018-09-12更新
之前的django博客确实搭建成了，当时主要是为了成为一名网络开发工程师，摸索着完成了这一系列步骤。不过，现在转行成了一名算法工程师，也就没有心思继续维护之前的网站了。所以，为了简单，我采用了hexo+next+github的方式重新建立了新的博客，欢迎大家访问我的新的博客：
hellodavid.top

显式反馈：用户对物品的评分，如电影评分
隐式反馈：用户对物品的交互行为，如浏览，购买等，现实中绝大部分数据属于隐式反馈，可以从日志中获取。
BPR是基于用户的隐式反馈，为用户提供物品的推荐，并且是直接对排序进行优化。

定义

$U$代表所有的用户user集合；

$I$代表所有的物品item集合；

$S$代表所有用户的隐式反馈，$S \subseteq U \times I$. 如下图所示，只要用户对某个物品产生过行为，就标记为$+$, 所有$+$样本构成了$S$。那些未观察到的数据（即用户没有产生行为的数据）标记为$?$.

批标准化，相当于深度学习中的数据归一化。

普通机器学习的归一化只针对输入层，而BN对中间每一层输入（激活函数处理前的数值，我称之为net值）进行归一化。

归一化的目的是使的数据的分布集中在激活函数的敏感区域（即中间线性区域）。

BN层就是对深度学习的中间层的输入数据（net值）进行归一化，解决在训练过程中，中间层数据分布发生改变的情况，使得每一层的分布相似(标准正态)，同时引入非线性, 保留原来每层训练得到的特征分布（通过变换重构）。

ALS算法是矩阵分解的一种，用于评分预测。

矩阵分解

假设我们有一批用户数据，其中包含m个User和n个Item, 用户和物品的关系是一个三元组，, 即用户对物品的评分，因此我们得到矩阵$R_{m\times n}$, 其中的元素$r_{ui}$表示第u个用户对第i个item的评分。

评分矩阵通常规模很大，并且通常是稀疏矩阵，因为一个用户不可能给所有商品评分。矩阵中缺失的评分，称为missing item.

接下来将这个矩阵分解为两个子矩阵，使得两个子矩阵能近似得到原矩阵：

如下图所示，左边X矩阵实际代表用户的隐矩阵，即每个用户用一个k维向量表示，而右边的矩阵代表物品的隐矩阵，即每个物品用一个k维向量表示。k的值通常远小于n和m.