我比較喜歡聽歌，每次無聊的時候便會開啟酷狗來靜靜的聆聽。同時我也是乙個比較喜歡傷感情緒的人，每當耳邊響起的是小悲傷的調子，就感覺特別的能共振。
當然我本身卻是乙個有點過於樂觀的人，也許喜歡悲傷的調子能夠平衡一下吧~~
好了，進入正題，以前聽歌都是用的電腦端的酷狗，而這一次用的卻是手機端。習慣性的我開啟了網路紅歌，一首首歡樂的歌曲飄來，然後就是不斷的換歌，最終退出了手機端。接下來，換到了電腦端，感覺詫異啊，這才是熟悉的感覺。
我思考，究竟是什麼讓電腦端和手機端的**型別有如此大的差距呢？認真想，推薦？推薦！應該是推薦系統在幕後操作。
從酷狗的網路紅歌說起，推薦演算法的認識和原理。
我記得，酷狗有乙個分享或者收藏的功能，也許推薦系統便是從這裡開始，當然也有可能根據你的聽歌偏好而開始。每一次的收藏或者偏好都被儲存在資料庫中，通過推薦系統的學習，便可能獲得我們可能的喜愛，最終推薦相應的歌曲給我們。
那麼推薦系統一般怎麼工作呢？（酷狗的演算法我們無法知道，但是我們可以猜一猜。）
1）我們有乙份自己喜歡的歌單，並且當我們想換一首新歌聆聽的時候，而這時的選擇只有三種（如下圖）。
2）通過我們對這個使用者的分析，我們可以大概知道這個使用者的偏愛，以及喜歡歌曲的特徵，那麼如果是面對面的推薦的話，我想乙個可能的推薦順序將是：a，b，c。當然這是基於我們本身對歌曲的認識上來推薦的，我們有自己的感性認識。
3）但是機器呢？機器是冰冷的，沒有感情的，它又會如何給我們推薦呢？如果僅僅根據上面的資訊，推薦系統可能無法正常執行，因為推薦系統不知道a，b，c是什麼型別的歌曲，也無法知道使用者的喜好是什麼。推薦系統的推薦基於所有使用者以往的行為，分析判斷乙個使用者的喜好並進行推薦。它擁有著的資料不僅僅是乙個使用者的，而應該是整個使用者群體的。推薦系統基於這些使用者資料學習分類並推薦。
例子1：
假如系統擁有兩份使用者資料，根據使用者過往的行為推薦使用者b一首新歌。推薦系統將從使用者a和使用者b所擁有的歌單中學習到乙個事實，使用者a和使用者b及其相似。他們都有著差不多的喜好。推薦系統認為他們是一類人，進行將《給自己的情書》一歌推薦給使用者b。
這個例子描述的思想其實是協同過濾的思想，協同過濾推薦分成基於使用者和基於物品的兩種基本型別。更具體的上述描寫的是乙個基於使用者的協同過濾的思想。這個思想描述的基本思想是：在遙遠的地方有乙個和你有著共同愛好的人，那麼你喜歡的歌曲而這個遠方的人可能還沒有接觸過的歌曲，just 推薦這首歌給這個相似的人（相似的人有著相似的喜好）。
4）推薦系統是乙個龐大的系統，其和許多經典的資料探勘演算法有著密切的關聯，推薦系統主要解決如何給使用者更好的選擇問題，這個選擇可能不是正確的，但是應該是讓大多數使用者滿意的。
本文只是由從酷狗的網路紅歌說起，淺淺的聊了一下自己對於推薦系統的認識，後續我們將繼續深入。**更多關於推薦演算法的知識，也許包括關聯規則，聚類分類知識，時間序列等（基於使用者的協同過濾演算法**已經實現，但是不提供，推薦系統演算法類文章將不提供**展示，但是歡迎一起討論）。
限於本文作者水平，上訴內容難免有錯誤，還望大家幫忙糾正。
酷狗快取檔案kgtemp的加密方式
然後下圖是加密前後的對比 會發現加密前的一堆0x55 加密後變成 0xa9 0xe9 0xda 0x52迴圈了，說明是用了4位元組的迴圈加密，然後切換成2進製研究 加密前 0x55 0x55 0x55 0x55 01010101 01010101 01010101 01010101 加密後 0xa9...
爬取酷狗榜單中的top500
首先先看到top500的頁面，如下圖所示 網頁版的酷狗沒有翻頁的操作，所以不能看到後面頁數的鏈結，根據第一頁的鏈結，我們嘗試把鏈結裡面的數字1改為2，果然跳轉到第二頁去了，這樣就好辦了，每頁顯示22條歌曲，所以經過計算，需要23條url鏈結，後面自己手動建立url 具體的操作和解釋都下面 中 enc...
初戀的滋味，就像酷狗彩虹糖耳機一樣美好
20年時間很長也很短，長是因為當年我們都只是情竇初開的懵懂少女，如今已有歸宿 短是因為彷彿昨天耳機裡還放著 彩虹 回憶中，還記得和她兩個人共用一副耳機，她靠在我的肩頭，一起靜靜地聆聽周杰倫述說著愛情的辛酸苦澀。當時不懂 也許時間是一種解藥，也是我正程式設計客棧在服下的毒藥 多年之後，才反應過來再也沒...