早上七點多時爬回床，睡了回籠覺，於是下午兩點的課就遲到了，我想說應該會自己醒來所以沒設鬧鐘…
今天的電子商務由勝凱報告第一章，他製作了約 30 多張投影片，除了課本以外，還自己找了很多例子，報告超過三小時。同學們的發言，不論是補充說明或是提出不同的意見，都很踴躍，整堂課洋溢在熱情的學術氣息中，真是讓我倍感壓力呀～ 我怕得回房間後便趕快先搜尋一下我負責章節——《顧客介面》的相關資訊 XD 課程後半段我拼命想找可以發言的點，但是實在對於這個議題不怎麼瞭解，找不到可以提建設性意見的地方，雖然對某些部份覺得好奇，但又不想提無聊的問題，最後只在 eDistribution 的部份試圖舉了一個例子。今天這一堂課，讓我突然有了身為研究生的自覺 orz
晚上閒著沒事，打掃了一下房間。用的是前住戶留下的 3M 魔布拖把1，不過我不太懂用法，不知道前住戶是怎麼拖到讓上面佈滿灰塵的… 我拖的時候都吸不起來這麼多耶～
前天去圖書館時，我稍微看了一下認知心理學學的是什麼，看起來它的理論要套用到使用者介面設計上還是有些距離2，不知道對使用者經驗有興趣的話應該要看哪些書？
最近在想我的研究方向，堅哥給的大方向是網頁文件自動分類，這個好像沒有選擇的餘地。至於要採用什麼技術就比較好通融，這個主題我覺得跟搜尋引擎 refine 搜尋結果的技術相當類似，是不是應該找陳教授討教一下？ XD
看了兩篇論文比較 SVM 與 k-NN 演算法的結果3， SVM 看起來是一個相當適合處理 Text Mining 的演算法，而且可以套用在 K-means 上（眼睛一亮），融合兩者的演算法有人稱為 KMSVM ，不過這應該不是大家公認的名稱。還有 Bayes’ theorem4 也可以參考看看，不知道為什麼國內研究很少使用這個演算法，它不是滿有名的嗎？
如果要作 KMSVM 的話，就跟熊的研究性質滿像的，都是為 K-means 加入新的元素，可是這個主題不是沒人作過，再重新作一次好像不太好？因此融合 Bayes’ theorem 和 K-means 可能是更好的選擇，只是不知道是不是真能融合起來就是 XD
斷詞直接用 Bigram 就可以有不錯的結果，根據我看見的一篇論文，對於 SVM 和 k-NN 來說，用 Bigram 斷詞甚至會有更精確的分群效果，真是奇怪 XD
因為從流量統計上看到，所以我也試了一下——
目前在 Google 台灣搜尋 K-means，我在第 30、44 個；如果限定繁體中文的話，我在第 15、25 個 XD
所以只要 PageRank 高，內容沒價值也是可以排名倒滿前面的耶 >///<
醒來後的第一件事便是繼續改程式，首先我將原始資料改用二維陣列（2-dimensional Array）儲存，因為突然發現其實這個資料並不需要動用到動態陣列（ArrayList，為了 Array 特化過的 Linked List）。原來的方式有以下缺點：
- 必須以 Push 的方式一個一個將數值塞進 ArrayList ，感覺效率會差……
- ArrayList 不支援多維，所以必須於 ArrayList 裡面再放一維陣列。
- ArrayList 每個元素的型態為 object ，雖然我實際上存的是一個一維陣列，但只要放進 ArrayList 裡，它就會自動變成 object 型態。但讀出來時可沒有這麼自動，必須使用相當暴力的方式強制轉換型態回來。
因此如果使用 ArrayList 的話，我就會有一大堆的 Push 和強制轉換型態，所以我決定多花一個 SELECT 計算出資料列數，然後改用固定大小的二維陣列1，不但看起來開心，操作起來也較簡單。
接下來我才開始寫 K-means 演算法，一氣呵成的寫完一長串，然後 debug 得很難過… 因為一氣呵成的結果就是很難找出源頭…… orz 最後發現兩個滿囧的 bug：
- 隨機選取起始點的 function 發生怪事，必須在這裡寫個彈出對話方塊顯示目前取了哪一點，才能正確的取到三個隨機的座標。這個部份我在之後寫隨機產生顏色的 function 時，才知道問題出在哪裡——原來 C# 的 Random Class 必須先有個 instance ，才能開始產生正確的亂數。
- 另一個相當令我無言， K-means 演算法的原理有一個重要的步驟，是要反覆的取群中心點，直到群中心點不再變動，稱為收斂。而我的程式一執行便陷入無限迴圈，檢查到最後才發現原來我忘了更新群中心點，當然不管怎麼比對都不一樣。
接下來到了10點多時完成了隨便配色的功能， K-means 該有的東西大概都已經完成了！不過有點奇怪的就是… 聽說 K-means 應該會有標準答案，但我的程式每次計算都有不同結果耶～ 如果這是 bug 的話我想我會 de 得相當難過……
