七十三：割圓術(shù)（cyclotomic method）
所謂“割圓術(shù)”，是用圓內(nèi)接正多邊形的面積去無限逼近圓面積并以此求取圓周率的方法。
七十四：推薦算法詳解
1、基于關(guān)聯(lián)規(guī)則的推薦（Association Rule-based Recommendation）是以關(guān)聯(lián)規(guī)則為基礎(chǔ)，把已購商品作為規(guī)則頭，規(guī)則體為推薦對象。關(guān)聯(lián)規(guī)則挖掘可以發(fā)現(xiàn)不同商品在銷售過程中的相關(guān)性，在零售業(yè)中已經(jīng)得到了成功的應用。管理規(guī)則就是在一個交易數(shù)據(jù)庫中統(tǒng)計購買了商品集X的交易中有多大比例的交易同時購買了商品集Y，其直觀的意義就是用戶在購買某些商品的時候有多大傾向去購買另外一些商品。比如購買牛奶的同時很多人會同時購買面包。
2、基于效用的推薦（Utility-based Recommendation）是建立在對用戶使用項目的效用情況上計算的，其核心問題是怎么樣為每一個用戶去創(chuàng)建一個效用函數(shù)，因此，用戶資料模型很大程度上是由系統(tǒng)所采用的效用函數(shù)決定的?；谛в猛扑]的好處是它能把非產(chǎn)品的屬性，如提供商的可靠性（Vendor Reliability）和產(chǎn)品的可得性（Product Availability）等考慮到效用計算中。
3、基于知識的推薦（Knowledge-based Recommendation）在某種程度是可以看成是一種推理（Inference）技術(shù)，它不是建立在用戶需要和偏好基礎(chǔ)上推薦的?；谥R的方法因它們所用的功能知識不同而有明顯區(qū)別。效用知識（Functional Knowledge）是一種關(guān)于一個項目如何滿足某一特定用戶的知識，因此能解釋需要和推薦的關(guān)系，所以用戶資料可以是任何能支持推理的知識結(jié)構(gòu)，它可以是用戶已經(jīng)規(guī)范化的查詢，也可以是一個更詳細的用戶需要的表示。
4、組合推薦（Hybrid Recommendation）
由于各種推薦方法都有優(yōu)缺點，所以在實際中，組合推薦（Hybrid Recommendation）經(jīng)常被采用。研究和應用最多的是內(nèi)容推薦和協(xié)同過濾推薦的組合。最簡單的做法就是分別用基于內(nèi)容的方法和協(xié)同過濾推薦方法去產(chǎn)生一個推薦預測結(jié)果，然后用某方法組合其結(jié)果。盡管從理論上有很多種推薦組合方法，但在某一具體問題中并不見得都有效，組合推薦一個最重要原則就是通過組合后要能避免或彌補各自推薦技術(shù)的弱點。
在組合方式上，有研究人員提出了七種組合思路：
1）加權(quán)（Weight）：加權(quán)多種推薦技術(shù)結(jié)果。
2）變換（Switch）：根據(jù)問題背景和實際情況或要求決定變換采用不同的推薦技術(shù)。
3）混合（Mixed）：同時采用多種推薦技術(shù)給出多種推薦結(jié)果為用戶提供參考。
4）特征組合（Feature combination）：組合來自不同推薦數(shù)據(jù)源的特征被另一種推薦算法所采用。
5）層疊（Cascade）：先用一種推薦技術(shù)產(chǎn)生一種粗糙的推薦結(jié)果，第二種推薦技術(shù)在此推薦結(jié)果的基礎(chǔ)上進一步作出更精確的推薦。
6）特征擴充（Feature augmentation）：一種技術(shù)產(chǎn)生附加的特征信息嵌入到另一種推薦技術(shù)的特征輸入中。
7）元級別（Meta-level）：用一種推薦方法產(chǎn)生的模型作為另一種推薦方法的輸入。
七十五：鄰近算法（k-NearestNeighbor）
鄰近算法，或者說K最近鄰(kNN，k-NearestNeighbor)分類算法是數(shù)據(jù)挖掘分類技術(shù)中最簡單的方法之一。所謂K最近鄰，就是k個最近的鄰居的意思，說的是每個樣本都可以用它最接近的k個鄰居來代表。
kNN算法的核心思想是如果一個樣本在特征空間中的k個最相鄰的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別，并具有這個類別上樣本的特性。該方法在確定分類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。 kNN方法在類別決策時，只與極少量的相鄰樣本有關(guān)。由于kNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，kNN方法較其他方法更為適合。
七十六：Prim
普里姆算法（Prim算法），圖論中的一種算法，可在加權(quán)連通圖里搜索最小生成樹。意即由此算法搜索到的邊子集所構(gòu)成的樹中，不但包括了連通圖里的所有頂點（英語：Vertex (graph theory)），且其所有邊的權(quán)值之和亦為最小。該算法于1930年由捷克數(shù)學家沃伊捷赫·亞爾尼克（英語：Vojtěch Jarník）發(fā)現(xiàn)；并在1957年由美國計算機科學家羅伯特·普里姆（英語：Robert C. Prim）獨立發(fā)現(xiàn)；1959年，艾茲格·迪科斯徹再次發(fā)現(xiàn)了該算法。因此，在某些場合，普里姆算法又被稱為DJP算法、亞爾尼克算法或普里姆－亞爾尼克算法。