Чем отличается СВД от Тигра
Практически каждый юноша и тем более зрелый мужчина слышал о легендарной отечественной винтовке Драгунова. Она была создана еще полвека назад, но до сих пор востребована и находится на вооружении полиции и армии РФ как эффективное высокоточное оружие.
Многие охотники мечтают иметь в своей коллекции эту практичную винтовку. И такая возможность есть благодаря существованию гражданской модификации СВД.
Большой интерес у любителей оружия, да и у простых обывателей, вызывает вопрос, в чем идентичны СВД и Тигр, а в чем отличаются.
Определение
СВД – самозарядная снайперская винтовка системы конструктора Драгунова, созданная в 1963 г. в качестве замены устаревшей «трехлинейке».
Тигр – самозарядный карабин охотничий, спроектированный заводом «Ижмаш» на основе знаменитой винтовки Драгунова.
к содержанию ↑Сравнение
СВД использует исключительно стандартный войсковой патрон образца 1898 года калибра 7,62. Тигр же, помимо этого, стреляет также в зависимости от модели патронами .308 Win и 9-ти миллиметровыми. Ввиду сугубой «гражданственности» Тигра упора штык-ножа у него нет. Еще одна особенность – пламегаситель Тигра короче, чем у СВД.
СВДСВД оснащается магазином емкостью 10 патронов, а Тигры – как на 5, так и на 10 патронов в зависимости от модификации. Также Тигр отличается от СВД измененной формой антабки на стволе. Прицельная планка СВД предусматривает диапазон до 1200 м, а штатная Тигра – до 300 м. Есть отличия также и в конструкции ствольной коробки, в форме и шаге нарезов.
Ввиду особенностей обработки ствол Тигра имеет меньший ресурс, чем ствол СВД. Маркировка на прикладе Тигра отсутствует, как в СВД, но есть на ствольной коробке. На Тигр изготовителем устанавливается гражданский прицел, а на СВД – армейский.
Тигрк содержанию ↑Выводы TheDifference.ru
- СВД – популярная в России и за рубежом снайперская винтовка, сконструированная советским оружейником Драгуновым в 1963 г.
- Тигр – карабин охотничий самозарядный, производится российским заводом «Ижмаш», прототипом является снайперская винтовка Драгунова.
- Тигр выпускается под патроны трех типов, а СВД – только под стандартный патрон калибра 7,62 мм образца 1898 г.
- Карабин Тигр не предусматривает штык-ножа.
- Пламегаситель Тигра короче, чем армейский вариант.
- Антабка ствола Тигра отличается от антабки СВД по форме.
- Прицельная планка Тигра предусматривает дальность лишь в 300 м.
- Нарезы ствола Тигра и СВД конструктивно разные.
- Штатные прицелы карабина – гражданского образца.
В чем отличие гражданских стволов от военных
Berserk
Прошу стреляющую общественность осветить вопрос: в чем же все-таки заключается переделка ствола, перед поступлением оружия в гражданский оборот? насколько это плохо и как этого избежать?
Один стрелок говорит что растачивают на 0,5 — 0,10 мм ствол (для искуственного прорыва газов и уменьения мощности).
Другой говорит про изменение шага нарезов (чтоб слабее крутилась) и что за военный ствол возбуждают уголовное дело и тд.
ясной картины я так и не получил.
на этом форуме где-то читал о перестволении тигра до 20 мм на 100 м (вместо 50 мм).
У меня СКС 54 г.в., я его уже «перерос», да и кучность у него уже «пистолетная» хочу брать тигр-СВД и очень интересуюсь как его можно приобрести с хорошим стволом, и как это регламентируется в правовом поле.
Заранее спасибо.
filin
отличий несколько.в СВД шаг нарезов 240 мм,у Тигра-320 мм.кроме того у оружия калибров 7,62х39 и 7,62х54 есть маркирующие проточки в патронниках (это на Ижмаше,у других производителей не смотрел).По куче лучше 20 мм-обращайся,поможем.
tex
320мм это у всех поголовно Тигров, или только у «коротких», которые не СВД? У «длинного» Тигра тип СВД с длиной ствола 620мм шаг нарезов должен по идее быть меньше 320мм, иначе пуля срываться будет.
Про отличия, я слыхал что в Тиграх смежные поля имеют разную ширину для идентифиации.
slava_z
неясен вопрос:
переделка армейского- (мосинка и скс)
или заново выпускаемый аналог
у первых вставляют штифт в ствол, чтоб оставлял метку на пуле
бой портит , по отзывам владельцев
лично мне непонятно, почему просто не отстрелять ствол для пулегильзотеки, а надо еще шифт вставить
По Тиграм
они не переделываются изСВД, а выпускаются заново
насколько я понял, они есть и 320, и 280, и 240
шаг 320 в свд для легкой снайперской пули
для 13 гр соответственно он должен быть круче
это почитай у Сеньора
длинный Тигр и имеется в виду для стрельбы далеко, он и ближе к ней по параметрам, и пуля дб 9 гр, шаг 320
писалось, что ширина нарезов у тигра отличается от СВД, причем раньше они были попарно равные, а теперь все одинаковые, но иные, чем на СВД
согласно закона об оружии гражданский аналог на 30% слабее боевого
проточка в патроннике Тигра- на дульце гильзы получается после выстрела кольцевая канавка-
наверное и дает это ослабление
по крайней мере следы газов на дульце видны
как ослабляют бой у мосинки не знаю
насколько я понимаю, кто успел купить нарезное в начале , имеет просто боевое
но оно все равно расстреляется
прослабление ствола целиком ИМХО хлопотно
снять ствол, пропустить протяжку
а как хром?
думаю после такой операции нами умельцами хана стволу
Lmd
Честно говоря, коллеги, я сомневаюсь в вышеуказанном утверждении. И вот почему. После того, как увидел, как мягкая свинцовая пуля без стального сердечника (7.62х51М) дырявит на стометровке стальной уголок с толщиной стенки 6 мм и увидел, как на 350 метров поражается поясная мишень 9 раз из 10, я сильно усомнился в каком бы то ни было преднамеренном ухудшении характеристик стволов гражданского оружия. (Кучность 1 МОА для самозарядника также невозможна при каком бы то ни было преднамеренном ухудшении характеристик). Также общался с оружейниками, вместе меряли калибрами стволы. ИМХО все это паранойя.
И потом, что-то я не припомню в законе об оружии пункта об обязательном ослаблении гражданского оружия на 30%. В любом случае, кто мешает переснарядить патрон самостоятельно для покрытия ЛЮБОГО ухудшения качества ствола за счет энергетики заряда?
Логика хромает в данных утверждениях, коллеги. Элементарный баллистический расчет и контрольный отстрел с замерами дульной скорости и кучности объективно показывает качество ствола.
[This message has been edited by Lmd (edited 14-01-2003).]
Glam
2 slava_z
«гражданский аналог на 30% слабее боевого»
если мне не изменяет память то это касается только пистолей…
filin
по шагу нарезов 320 у любого тигра кроме т.н.»калифорнийской серии».Что пуля при этом недостабилизирована это никого не колышет,т.к. гражданское оружие дальше 300м по закону не стреляет.По ширине нарезов-все правильно, отличается от армейских.Прорыв газов присутствует в основном на стальной гильзе.
slava_z
человек спрашивал про разницу между боевым и аналогами
может лучше инфу развивать для него?
по неясностям в моем постинге
Закон об оружии читал давно
у кого под рукой, посмотрите, только пистолеты или все аналоги боевого
(пукалку ПМ мы ослабим, а самое мощное из стрелкового ..:-)
Тигр у меня как раз Калифорния, шаг 280
про три шага нарезов со слов уважаемого человека
2 из них я видел сам
если можно поменять размер полей, то крутизну тоже, наверное
шаг 240 для Тигра: Трофимов, стр 320
для справки
там же , стр 133
шаг 240 на М44, но ее штатный патрон 9,6гр
«прорыв газов на стальных гильзах»
но канавка в патроннике-то есть
а какие гильзы у нас кроме экстры не стальные?
на мощность и кучность я не жалуюсь, бочку на пристрелке шьет,на 600-700 валит
но раз есть канавка и прорыв газов ?
если бы той же серией патронов отстрелять из СВД
Ватсон, ваше слово!
tex
А почему Вы говорите, что снайперская пуля лёгкая? Её вес для патрона 7Н1 — 11г между прочим. И что значит «штатный» патрон с 9,6г пулей для КО-44? Там же их было два штатных, с пулями 9,6г «Л» и 11,8г «Д». А на единый патрон с ЛПС перешли только после расстрела Берии, в 1953г. :-), когда уже сами то КО-44 производить перестали.
headhunter
в законе об «оружии» 97г вообще про 30% ничего нет. есть ограничение дульной энергии КОРОТКОСТВОЛЬНОГ СЛУЖЕБНОГО. в старом законе 93г. 30% тоже относились к служебному оружию. находящийся сейчас на гражданском рынке патроны .338 лапуа маг, 9.3х64 превосходят по энергии все образцы индивидуального стрелкового, состоящего на вооружении МО.гражданская трг42 по определению кучнее\точнее\дальнобойнее военной свд.канавка никакого прорыва не дает.
а старые стволы маркируют штифтами и зубами потому, что ТОЧНАЯ ИДЕНТИФИКАЦИЯ пули — дело всегда сомнительное (в отличие от гильзы,там надежность почти 100%), а следы этих маркеров видны всегда, при любой деформации, и безошибочно укажут на гражд. оружие. так же как другая ширина нарезов или даже направление (в служебных пистолетах — левое). а точно определить ствол по пуле (армейской, в стальной оболочке) по словам экспертов удается в ~30% случаев. в латунной — еще хуже. так что вся эта пулетека — херня (в отличие от гильзотеки).
2текс: пуля 7н1 весит 9.6г и ничем, кроме качества изготовления, не отличается от ЛПС. аналог пули Д 11.7 есть, но он спортивный, а не снаиперский, со свинц.сердечником, без стали.
2филин: а по какому такому закону охотничье оружие дальше 300м не стреляет? такого закона нет. есть только тупая упертость отечественных производителей, которые все свои расчеты делают исходя из этого.
[edited by headhunter]
GreenG
headhunter
+2 ТОЧНАЯ ИДЕНТИФИКАЦИЯ пули — дело всегда сомнительное (в отличие от гильзы,там надежность почти 100%), а следы маркеров видны всегда, при любой деформации, и безошибочно укажут на гражд. оружие. так же как другая ширина нарезов или даже направление (в служебных пистолетах — левое). а точно определить ствол по пуле (армейской, в стальной оболочке) по словам экспертов удается в ~30% случаев. в латунной — еще хуже. так что вся эта пулетека — херня (в отличие от гильзотеки).
[edited by headhunter]
Не первый раз читаю в Ваших постингах это утверждение.
Не являясь специалистом в этой области, осмелюсь утверждать, что имея конкретное оружие и, развернув пулю стрелянную в пулеуловитель и тестовую, всегда можно сказать этому ли стволу она принадлежит. Сравнить две развертки, что может быть проще?
Другое дело, что имея пулитеку трудно методом перебора подобрать к пуле ствол (особенно с учетом износа последнего). Количество индивидуальной информации на гильзе значительно меньше, соответственно вероятность уверенного отождествления тоже меньше.
Учитывая, что вопрос в значительной мере носит «служебный» характер подробности, имхо, излишни, но общие соображения интересны.
GG.
Dr. Watson
Ваше слово, товарищ Маузер!»(с)Маяковский.
Мы оперируем здесь суждениями «в основном», ибо каждую модель, и обсуждаемый Тигер как пример, многократно меняли на заводе. Все мы советские люди и знаем как работает советское же производство. «Я тебя слепила из того, что было». Так например Тигер, как и СВД (sic!) имел все три перечисленных шага нарезов. Поля менялись по ширине, появлялась и исчезала проточка-идентификатор в патроннике.
2Текс — пуля типа Д не выпускалась с конца тридцатых годов, просто в Наставлениях и прочих умных книгах на нее ссылались. (У меня в коллекции есть! 😊)
По теме топика. Я думаю, что никто ничего не портит. Какое выпускают, такое и продают. Сказки про роскошно-кучные армейские СВД возникают от кого? Правильно, от капитанов, да майоров, знающих толк в стрельбе, и имеющих возможность выбрать для себя-любимого лучшую из десятка-другого ящиков. Кстати пресловутые стволы улучшенной кучности (>20мм), про которые говорит Филин, тоже не с другого конвейера. Просто отобранные калибрами-шашками, потом проверенные отстрелом.
Штифты в старые СКСы и мосинки… Было и такое. Бред? Конечно. Было? Было. А в остальном… Едва ли.
Др.В.
kiowa
Dr. Watson
Ваше слово, товарищ Маузер!»(с)Маяковский.Мы оперируем здесь суждениями «в основном», ибо каждую модель, и обсуждаемый Тигер как пример, многократно меняли на заводе. Все мы советские люди и знаем как работает советское же производство. «Я тебя слепила из того, что было». Так например Тигер, как и СВД (sic!) имел все три перечисленных шага нарезов. Поля менялись по ширине, появлялась и исчезала проточка-идентификатор в патроннике.
2Текс — пуля типа Д не выпускалась с конца тридцатых годов, просто в Наставлениях и прочих умных книгах на нее ссылались. (У меня в коллекции есть! 😊)
По теме топика. Я думаю, что никто ничего не портит. Какое выпускают, такое и продают. Сказки про роскошно-кучные армейские СВД возникают от кого? Правильно, от капитанов, да майоров, знающих толк в стрельбе, и имеющих возможность выбрать для себя-любимого лучшую из десятка-другого ящиков. Кстати пресловутые стволы улучшенной кучности (>20мм), про которые говорит Филин, тоже не с другого конвейера. Просто отобранные калибрами-шашками, потом проверенные отстрелом.
Штифты в старые СКСы и мосинки… Было и такое. Бред? Конечно. Было? Было. А в остальном… Едва ли.
Др.В.
Абсолютно соглсен с Вами — как человек, перепробовавший чертову прорву оружия и перемеривший в семидесятые — восьмидесятые годы — точно знаю, что очень часто никакого намеренного ухудшения и не надо — ну, обжатие в муфте за патронником или обратный конус — совершенно бытовой бардак. И, зная наше производство, меня до глубины души потрясло, что на армейских моделях 0. 308 стволы сверлятся заново. Кстати — не очень верится… Все-таки, в моих глазах стоит картина — склад с пулеметами,… и с ними чего-й то делают… не пойму только чевой… 😳
——————
kiowa
slava_z
подводя итоги
как повезет…
Berserk
А вот такой бардак только у наших п/автоматов ?
А у новых отечественных болтовых/рычажных тоже так все плохо? (не имею ввиду древние КО-44 М-98 и тд — там все понятно)
А как в этом плане с зарубежными образцами?
headhunter
GreenG
Не первый раз читаю в Ваших постингах это утверждение.
Не являясь специалистом в этой области, осмелюсь утверждать, что имея конкретное оружие и, развернув пулю стрелянную в пулеуловитель и тестовую, всегда можно сказать этому ли стволу она принадлежит. Сравнить две развертки, что может быть проще?
Другое дело, что имея пулитеку трудно методом перебора подобрать к пуле ствол (особенно с учетом износа последнего). Количество индивидуальной информации на гильзе значительно меньше, соответственно вероятность уверенного отождествления тоже меньше.
Учитывая, что вопрос в значительной мере носит «служебный» характер подробности, имхо, излишни, но общие соображения интересны.GG.
проблема состоит в идентификиции той пули, которая изъята на месте происшествия, т.е. попала в реальную цель, а не идеальные условия пулеуловителя (бак с водой или труба с кевларовыми обрезками). при попадании пуля деформируется, её оболочка покрывается следами, не имеющими отношения к стволу. это относится даже к пулям в стальной оболочке. при стрельбе в пулеуловитель типа «тупик» патроны 7.62х51 и х54 разряжают и отсыпают порох, иначе пуля часто становится непригодна для идентификации — а это всего лишь рыхлый комок кевларовых ниток! при попадании в кость, в дерево пуля деформируется сильнее. индивидуальные следы имеют микроскопический размер и забиваются легко.
хотя изредка удается идентифицировать даже безоболочечную пулю .22, известны отдельные случаи идентификации гладкого ствола по дроби\картечи (для этого надо, чтобы сразу несколько дробин попали в цель так, чтоб поверхность, которой они шли по стволу, оказалась обращенной назад, от цели — тогда она не повреждается).
количество индивидуальной информации на гильзе как правило, достаточно для её точной привязки к конкретному оружию.
проблема наити в пулегильзотеке данные, соответствующие наиденной пуле\гильзе решается с помощью компьютерных прграмм. хотя их эффективность тоже оставляет желать. на практике компьютер может предложить скажем, сотню стволов, а дальше их проверяют как обычно, под микроскопом. но если компьютер предложит 10 тысяч — до свидания, всех не пересмотрят.
[edited by headhunter]
Петро Дворцовый
+++количество индивидуальной информации на гильзе как правило, достаточно для её точной привязки к конкретному оружию.+++
Вывод: когда идёшь на мокрое дело — бери болтовик, стреляй один раз и затвор не передёргивай!
😊
tex
2 headhunter
Насчет веса пули для патрона «Снайперский» (индекс 7Н1), я признаю, что ошибся. Видимо вес его пули всё же существенно меньше 11г 😊 Меня подвела ошибка в справочнике Трофимовых «Современные охотничьи боеприпасы для нарезного оружия. Пули мира и отечественные патроны» на стр.270. Там вес пули почему то указан как 11г.
Однако, не могу и согласиться с тем, что вес этой пули 9,6г. Так в трех источниках этот вес указан как 9,9г: на сайте НЗ НВА (LVE — www.lveplant.com), на старых проспектах этого же завода, которые я у себя откопал среди бумаг и даже в книжке А.Потапова «Искуство снайпера», стр.464 ;-). Везде указана цифра 9,9г.
Правда у Потапова и Трофимовых я обнаружил ссылку на другой снайперский боеприпас: «серебряный носик» и 7Н14 соответственно как они его называют. Пуля вот этого этого снайперского патрона повышенной бронепробиваемости у Потапова указана как имеющая уже вес 9,6г.
Что касаемо конструкции пули патрона 7Н1, то она, исходя из информации изложенной во всех известных мне источниках, ни как не может быть отнесена к ЛПС, но более точно изготовленной. У снайперчской пули форма соответствует «тяжёлой пуле «Д» обр.1930г., а внутренняя начинка ещё хитрее. Носик у неё пустой, затем идет «тупой» сердечник из мягкой стали и далее, начиная с середины — заливка свинцом. В хвостовике пули имеется пустота в виде ямки в заливке свинца. Пуля хорошо дефрагментируется на две части, благодаря такой конструкции, а веретенообразная форма, придает ей большую устойчивость.
Всего этого нельзя сказать о ЛПС.
2 Dr. Watson
Я не слышал когда пулю «Д» прекратили делать, зато уверен, что к 1930г. было развернуто её массовое производство для дополнения боеприпасов с «лёгкой» «старой» пулей «Л» обр.1908г. Вот на этом сайте http://www.mosin-nagant.net/r2ssia.htm во втором ряду сверху второй слева изображен патрон с этой пулей «Д» с указанной маркировкой года выпуска как 1935г.
Насчет штифтов в боевом оружии для охотников: как ставили, так ставят, так и будут ставить 😠 Пока закон не изменят. Так я этой осенью, когда покупал себе мосинку на заводе, все пересмотрел — везде штифты стоят!
В добавок к этому гадству появилась ещё одна напасть — фирмы, которые взялись усиленными темпами безвозвратно портить историческое оружие, превращая его в ММГ. Отбирают, при этом судя по всему, самые хорошо сохранившиеся образцы со старых складов 😠. Когда читаю их рекламки или вижу последствия «работы» сердце кровью обливается 😠.
А так лежало бы себе, лежало это оружие до лучших времен и лучших законов!
headhunter
Петро Дворцовыйвероятность идентификации пули все же слишком велика, так что не советую. только 5.6 безоболочечная.
+++количество индивидуальной информации на гильзе как правило, достаточно для её точной привязки к конкретному оружию. +++Вывод: когда идёшь на мокрое дело — бери болтовик, стреляй один раз и затвор не передёргивай!
😊
😀
headhunter
2текс: по практике могу сказать одно — траектория 7н1 соответствует ЛПС, изменений в прицеле не требуется. я стрелял до 500 м.
что касается твоих источников — то чего они стоят, понятно по «серебряному носику». это не снайперский боеприпас, а наоборот, первые выпуски лпс — до 70х гг., то есть легкой пули со стальным сердечником.
tex
headhunterНасчет траектории — согласен, везде в литературе это подтверждается. Что касаемо «серебрянного носика», это «обозначение» пули взято у А.Потапова в его «Искусстве…», а он «мог ошибиться», как делал это не раз 😊
2текс: по практике могу сказать одно — траектория 7н1 соответствует ЛПС, изменений в прицеле не требуется. я стрелял до 500 м.
что касается твоих источников — то чего они стоят, понятно по «серебряному носику». это не снайперский боеприпас, а наоборот, первые выпуски лпс — до 70х гг., то есть легкой пули со стальным сердечником.
Насколько мне известно снайперские пули обычно и не красят именно для того, чтобы подтёки и разная толщина краски не внесли дополнительный разброс в вес пули. Серебрянный носик был у ЛПС как раз, только вот конструкция, которую описывает А.Потапов, похожа ли на ЛПС? Он дает разрез этой «таинственной» пули, из которого очевидно, что её оболочка имеет короткий хвостовик, менее веретенообразная, чем пуля 7Н1, а сердечник состоит целиком из остроконечной каленой стальной болванки, никакого свинца.
Я и предположил, что не ЛПС, а возможно как раз тот «новый» снайперский патрон, который у Трофимовых в справочнике мимоходом упомянут, как 7Н14. Т.е. для стрельбы по «бронежилетным» целям.
Возможно я не прав, и кто то, знающий этот новый снайперский боеприпас не по книжкам, прояснит ситуацию?
Sheriff
Гражданское охотничье оружие, созданное на базе военных образцов, по своей конструкции практически не отличается от «родителей».
Так, карабин охотничий СКС, поступающий в продажу, отличается от «отца» отсутствием штыка. Карабины серии «Тигр» практически полностью идентичны всемирно известной и признанной винтовке СВД. Отличия, в основном, касаются внешнего оформления и исключения с колодки мушки прилива для крепления штык-ножа.
Специальных мероприятий по снижению характеристик «военного» охотничьего оружия не проводится. Разница в показателях точности и кучности боя определяется применяемыми боеприпасами.
Советую владельцам карабинов «Тигр», если появится такая возможность, попробовать боеприпасы 7Н1 (т.н. «снайперские») или «Экстра» (целевые). Думаю, что после этого мнение тех, кто думает, что «Тигр» плох, резко изменится.
Более реальный и доступный для российского охотника вариант — попробовать финские боеприпасы производства фирмы «Lapua». Результат Вас удивит, это гарантированно.
«Пистолетная» кучность некоторых СКСов связана с тем, что в продажу поступают карабины, уже служившие нашим отцам и дедам. Многие из них имеют настрел, близкий к заявленному ресурсу ствола (10 тыс. выстрелов).
Вывод — «милитаристское» охотничье оружие Советского и Российского производства брать можно и нужно. При использовании достойных боеприпасов владелец отечественного карабина, являющийся хорошим стрелком, сможет почувствовать себя настоящим снайпером, ничуть не уступающим легендарному Квентину Дорварду.
tex
SheriffКроме того что сказано про существенные отличия Тигра от СВД по нарезам и личинке, я ещё слышал что они отличаются и другим. Делают их в разных цехах, разные люди и на разном по свежести оборудовании. Надо ли говорить, что СВД проходят в отличии от Тигра более жесткие испытания на военной приемке и имеют более жесткие допуски.
Карабины серии «Тигр» практически полностью идентичны всемирно известной и признанной винтовке СВД. Отличия, в основном, касаются внешнего оформления и исключения с колодки мушки прилива для крепления штык-ножа.
Специальных мероприятий по снижению характеристик «военного» охотничьего оружия не проводится.
Так что «специальных мероприятий по снижению характеристик охотничьего оружия не проводится», по сравнению с военным. Однако, так же как и не производится и мероприятий по повышению его качества до военного уровня.
Кто был на заводе, пусть расскажет поподробнее.
GreenG
Дело даже не в этом. В условиях армейского применения, менее ценное оружие получит менее подготовленный боец. Для хорошего стрелка найдется в ящике винтовка получше. В условиях гражданского приобретения каждая винтовка должна показывать лучшие характеристики, она продается в розницу и оплачивается налом. Зачем нужен Тигр с боем штифтованного СКС’а?
GG.
tex
2 GreenG
Это Вы скорее говорите о том как должно быть, как делается зарубежом. Но мне сдается, что пока наш оружейный ВПК относится к гражданской продукции, как завод им.Хруничева к выпуску кастрюль 😞
[edited by tex]
Петро Дворцовый
+++вероятность идентификации пули все же слишком велика, так что не советую. только 5.6 безоболочечная.+++
Вот чего у меня нет, так это калибра 5.6!
Придётся на дело идти с Сайгой 410К-02 с пулевым патроном. :о)
Жалко, что гильзу потОм нужно подбирать! 😊
Всем удачи.
Разница между TruncatedSVD и svds
Там делают то же самое
#check how to use TRuncatedSVD
X=[[1,2,3],[1,4,2],[4,1,7],[5,6,8]]
# TRUNCATED SVD
from sklearn. decomposition import TruncatedSVD
svd = TruncatedSVD(n_components=2, n_iter=7, random_state=42)
US=svd.fit_transform(X)
V=svd.components_
S=svd.singular_values_
print('u,s,v', US,S,V)
print('X_restored dot way',np.round(np.dot(US,V),1),'svdinverse way',np.round(svd.inverse_transform(U),1))
# LINALG SVD
U1,S1,V1=np.linalg.svd(X)
print('u1,s1,v1 remark negative mirrored',U1[:,:2]*S1[:2],V1[:2,:])
print('X restored u1,s1,v1, 2 components',np.round( np.dot( U1[:,:2]*S1[:2],V1[:2,:] ),1 ) )
# sparse svd
from scipy.sparse import csc_matrix
from scipy.sparse.linalg import svds, eigs
A = csc_matrix(X, dtype=float)
u2, s2, vt2 = svds(A, k=2)
print('sparse reverses !',u2*s2,vt2)
print('x restored',np.round( np.dot(u2*s2,vt2),1) )
u,s,v [[ 3.66997034 -0.34754761]
[ 3.82764223 -2.51681397]
[ 7.61154768 2.83860088]
[11.13470337 -0.96070751]] [14.49264657 3.92883644] [[ 0.44571865 0.46215842 0.76664495]
[ 0.23882889 -0.88677195 0.39572247]]
X_restored dot way
[[1.6 2. 2.7]
[1.1 4. 1.9]
[4.1 1. 7. ]
[4.7 6. 8.2]]
svdinverse way
[[1.6 2. 2.7]
[1.1 4. 1.9]
[4.1 1. 7. ]
[4.7 6. 8.2]]
u1,s1,v1 remark negative mirrored
[[ -3.66997034 0.34754761]
[ -3.82764223 2.51681397]
[ -7.61154768 -2.83860088]
[-11.13470337 0.96070751]] [[-0.44571865 -0.46215842 -0.76664495]
[-0.23882889 0.88677195 -0.39572247]]
X restored u1,s1,v1, 2 components
[[1.6 2. 2.7]
[1.1 4. 1.9]
[4.1 1. 7. ]
[4.7 6. 8.2]]
sparse reverses !
[[-0.34754761 3.66997034]
[-2.51681397 3.82764223]
[ 2.83860088 7.61154768]
[-0.96070751 11.13470337]]
[[ 0.23882889 -0.88677195 0.39572247]
[ 0.44571865 0.46215842 0.76664495]]
x restored
[[1.6 2. 2.7]
[1.1 4. 1.9]
[4.1 1. 7. ]
[4.7 6. 8.2]]
[[-0.25322982 0.0884607 0.88223679]
[-0.26410926 0.64060034 0.16752502]
[-0.52520067 -0.72250421 0.11259767]
[-0.76830021 0.24452723 -0.42534148]]
[14.49264657 3.92883644 0.72625043]
[[-0.44571865 -0.46215842 -0. 76664495]
[-0.23882889 0.88677195 -0.39572247]
[-0.86272571 -0.00671608 0.50562757]]
[[1. 2. 3.]
[1. 4. 2.]
[4. 1. 7.]
[5. 6. 8.]]
Самозарядная снайперская винтовка Драгунова СВД
Самозарядная снайперская винтовка Драгунова СВД
Работы по замене снайперской винтовки обр. 1891/30 гг. самозарядной под патрон 7,62x54R возобновились в 1958 г. В этот год Главное ракетно-артиллерийское управление (ГРАУ) Министерства обороны объявило конкурс на создание самозарядной снайперской винтовки. Ижевский конструктор Е.Ф. Драгунов включился в новый конкурс позднее других. К тому времени уже доводил свою винтовку ковровский конструктор А.С. Константинов, свой образец (СВС-128) вновь разработал С.Г. Симонов. Соперничество было серьезным. Свой вариант самозарядной винтовки представил в 1959 г. и конструкторский коллектив М.Т. Калашникова, но винтовка была скоро снята с конкурса. Интересно, что Константинов и Симонов в своих опытных образцах использовали схему «линейной отдачи» с подъемом приклада на линию оси канала ствола, Драгунов же отклонил приклад вниз.
Опытная 7,62-мм самозарядная снайперская винтовка ССВ-58 Е.Ф. Драгунова, 1959 г.
Требования по кучности, предъявленные военными, казались настолько жесткими, что от них подумывали отказаться. Но представленная Драгуновым в 1959 г. опытная винтовка ССВ-58 первой «уложилась» в них, затем был представлен доработанный вариант винтовки ССВ-61. Заметим, что Драгунов ранее совместно с И.А. Самойловым создал спортивные винтовки С-49, ЦВ-50, МЦВ-50, ЦВ-55 «Зенит», МЦВ-55 «Стрела», МЦВ-56 «Тайга». Этот «спортивный» опыт плюс опыт стрелка-спортсмена и оружейника-производственника сыграли решающую роль. Опытная винтовка Симонова «сошла с дистанции» первой. После долгих сравнительных испытаний, в ходе которых винтовки Драгунова и Константинова шли «голова в голову», в 1963 г. на вооружение была принята «7,62-мм снайперская винтовка Драгунова» (СВД, индекс, присвоенный изделию ГРАУ, – 6В1).
СВД стала одной из первых «армейских» винтовок, в дизайне которых проявились «спортивные» черты.Технологию изготовления высокоточного ствола отработал И.А. Самойлов.
Нередко упоминается сходство системы СВД с автоматом Калашникова. На первый взгляд, многое в этих системах и правда похоже.
Опытная 7,62-мм самозарядная снайперская винтовка АО-47 С.Г. Симонова, 1968 г.
7,62-мм самозарядная снайперская винтовка СВД позднего выпуска, с пластмассовыми цевьем и прикладом. На винтовку установлен оптический прицел ПСО-1
Автоматика с газовым двигателем действует за счет отвода пороховых газов через боковое отверстие в стенке ствола. Запирание канала ствола производится поворотом затвора, при отпирании затвор несколько страгивает гильзу, способствуя стравливанию части пороховых газов между стенками патронника и гильзы и облегчая ее последующее извлечение. Похожа и форма затвора. Ударный механизм – куркового типа, с такой же формой боевой пружины. Флажковый предохранитель – также двойного действия. Однако куда более интересны отличия СВД, связанные со «снайперскими» задачами и делающие винтовку самостоятельной системой. Затворная рама здесь не объединена с газовым поршнем – поршень и толкатель выполнены как отдельные детали с собственной возвратной пружиной и возвращаются в переднее положение сразу же после отброса рамы назад (короткий ход поршня). Таким образом, движение системы автоматики как бы «раскладывается» на последовательные движения отдельных деталей и растягивается во времени. Возвратный механизм затворной рамы включает две пружины, которым к тому же не нужно запасать усилия для приведения поршня в крайнее переднее положение. Все это повышает плавность работы автоматики и сглаживает свойственные автоматике с газовым двигателем импульсные нагрузки. Встроенный в газовую камеру регулятор не сыграл большой роли и был позже исключен ради упрощения конструкции. Затвор СВД имеет три симметрично расположенных боевых выступа, что делает запирание симметричным и более надежным, уменьшая необходимый угол поворота затвора.
Детали и сборки винтовки СВД: 1 – крышка ствольной коробки, 2 – серьга, 3 и 6 – возвратные пружины, 4 и 5 – направляющая трубка и стержень, 7 – затворная рама, 8 – ударник, 9 – затвор, 10 – пружина выбрасывателя, 11 – выбрасыватель, 12 – половины цевья, 13 – толкатель рамы, 14 – поршень, 15 – газовая трубка, 16 – регулятор, 17 – мушка, 18 – предохранитель мушки, 19 – пламегаситель, 20 – ствол, 21 – газовая камера, 22 – корпус магазина, 23 – подаватель магазина, 24 – подающая пружина, 25 – стопорная планка, 26 – крышка магазина, 27 – кольцо с замыкателем, 28 – передний упор цевья, 29 – секторный прицел, 30 – ствольная коробка, 31 – боевая пружина, 32 – предохранитель, 33 – корпус ударно-спускового механизма, 34 – шептало, 35 – курок, 36 – пружина спускового крючка, 37 – тяга, 38 – автоспуск, 39 – спусковой крючок, 40 – приклад с пистолетной рукояткой
Качание затворной рамы в переднем положении предотвращается заклепкой отражателя. Ствольная коробка – фрезерованная. Затворная рама производит поворот затвора при отпирании во время своего движения назад, воздействуя передним скосом своего фигурного выреза на ведущий выступ затвора. Запирание канала ствола производится следующим образом: во время наката подвижной системы (затворная рама и затвор) затвор при подходе к казенному срезу ствола под действием скоса выступа ствольной коробки на скос левого боевого выступа затвора получает первоначальный поворот, а затем под действием фигурного выреза продолжающей движение вперед затворной рамы на его ведущий выступ поворачивается вокруг продольной оси влево, и боевые выступы затвора заходят в вырезы ствольной коробки. Извлечение стреляной гильзы производится подпружиненным выбрасывателем, смонтированным на затворе, удаление – ударом о жесткий отражательный выступ ствольной коробки.
7,62-мм снайперская винтовка СВД со съемным прибором малошумной стрельбы и регулируемой по высоте складывающейся сошкой, укрепленной на цевье
Ударно-спусковой механизм куркового типа с поворотным курком, в отличие от системы Калашникова, обеспечивает только одиночный огонь и собран в отдельном корпусе. Оригинальной чертой является использование курка в качестве разобщителя. При отходе затворной рамы назад она поворачивает назад курок, и тот в конце поворота ударяет по передней части тяги спускового крючка и разобщает ее с шепталом. Шептало поворачивается и становится напротив боевого взвода курка. После наката затворной рамы курок остается на боевом взводе. Флажковый неавтоматический предохранитель одновременно блокирует спусковой крючок и тягу и ограничивает движение затворной рамы назад, закрывая своим щитком вырез ствольной коробки.
На дульной части ствола крепится цилиндрический щелевой пламегаситель. Конструкция его оказалась весьма удачной и была заимствована рядом зарубежных фирм.
Снайпер французского Иностранного легиона испытывает румынский вариант СВД-FPK
Ложа СВД – разрезная. Вырез в деревянном прикладе и передняя его грань образуют пистолетную рукоятку. Рамочная форма приклада позволяет удерживать винтовку левой рукой при стрельбе с упора лежа. На приклад крепится съемная «щека». Цевье состоит из двух симметричных накладок с прорезями для лучшего охлаждения ствола. Накладки имеют подпружиненное крепление на стволе, так что точка опоры цевья находится на оси канала ствола, и усилие со стороны поддерживающей руки не влияет на результаты стрельбы. К тому же при удлинении ствола (вызванного его нагревом при стрельбе) цевье смещается вперед, условия его закрепления не меняются и не происходит смещения средней точки попаданий. Кажущаяся «мелочь» конструкции сыграла немаловажную роль в обеспечении меткости стрельбы. В процессе производства дерево при изготовлении приклада заменили прессованной клееной фанерой, накладок – шпоном. Затем винтовка получила пластмассовые приклад и цевье из стеклонаполненного полиамида черного цвета.
Для стрельбы из снайперской винтовки В.М. Сабельниковым, П.Ф. Сазоновым и В.Н. Дворяниновым был разработан 7,62-мм снайперский патрон (индекс 7Н1), хотя могут использоваться и другие типы патрона 7,62x54R. 10 патронов размещаются в отъемном двухрядном металлическом коробчатом магазине секторной формы. Защелка магазина расположена позади его гнезда. Центр тяжести заряженной винтовки располагается над магазином, поэтому расход патронов мало влияет на смещение средней точки попаданий.
На винтовку крепится оптический прицел ПСО-1 (индекс 1П43), разработанный А.И. Овчинниковым и Л.А. Глызовым. Прицельная сетка прицела включает основной угольник для стрельбы на дальности до 1000 м, шкалу боковых поправок с ценой деления одна тысячная (0-01), дополнительные угольники для стрельбы на дальности 1100, 1200 и 1300 м, а также дальномерную шкалу для определения дальности по видимой цели высотой 1,7 м (средний рост человека). Есть также вспомогательный секторный механический прицел с прямой планкой, насеченной на дальности до 1200 м через 100, и регулируемая мушка с предохранителем. Из-за высокого расположения приклада стрельба с механическим прицелом не столь удобна, как с оптическим.
Снайпер российских ВДВ с 7,62-мм снайперской винтовкой СВД-С с оптическим прицелом ПСО-1М2
Прицел ПСО-1 послужил основой для целого семейства оптических прицелов, включая ПСО-1 М2, ставящийся на СВД сейчас. Прицельные шкалы ПСО-1 М2 рассчитаны для стрельбы на дальности от 100 до 1300 м. Масса прицела – 0,58 кг, габаритные размеры – 375×70-132 мм, кратность увеличения – 4х, поле зрения – 6°, предел разрешения – 12°, диаметр выходного зрачка – 6 мм, удаление выходного зрачка – 68 мм.
На «ночной» модели СВДН крепится прицел НСПУ, НСПУМ (СВДН-2) или НСПУ-3 (СВДН-3). «Ночная» модификация СВДН-3 (6В1НЗ) с прицелом НСПУ-3 (1ПН75) без патронов весит 6,4 кг. Заявленная максимальная прицельная дальность – 1000 м, хотя реально стрельба ведется на вдвое-втрое меньшие дальности. В частности, пользуется популярностью прицел НСПУ-5 (1 ПН-83) кратностью 3,5х, позволяющий опознавать человека на дальности до 300 м.
Для рукопашного боя к винтовке может крепиться стандартный штык-нож 644 – явное свидетельство «боевых» требований. Но штык на снайперской винтовке – атрибут редкий и вряд ли нужный.
Конструкция СВД в целом явилась довольно удачным компромиссом между «снайперскими» и «общими боевыми» требованиями. Высокую популярность приобрела СВД во время боевых действий в Афганистане и Чечне – ее сравнительно высокая мощность оказалась весьма кстати в горных условиях. Практически ни один вид боя не обходился без активного участия снайперов. С другой стороны, все громче звучали требования дополнить СВД снайперской винтовкой большей точности.
Для 60—70-х годов XX в. СВД обладала в целом неплохой кучностью – на дальности 1000 м срединное отклонение попаданий не превышает 260 мм. По цели «грудная фигура» (500×500 мм с коэффициентом фигурности 0,79) СВД надежно работает до 600 м, «головная фигура» (250×300 мм) – до 300 м. СВД, зарекомендовавшая себя надежным и мощным оружием, уже не слишком подходит для решения ряда снайперских задач по своей точности и кучности. По данным таблиц, отклонение попаданий для нее составляет 480–560 мм на дальности 1000 м, 188 мм на 500 м и 36 мм на 100 м – заметно больше одной угловой минуты. С учетом широкого применения СИБЗ и соответственно уменьшения площади «надежного поражения» живой цели, дальность надежного поражения уменьшается до 200 м. К тому же СВД совсем не регулируется под антропометрические данные стрелка (затылок приклада и «щека» – не регулируемые, как и спусковой механизм). Слабость прицела 4-кратного увеличения стала очевидна уже давно. На СВД пробовали ставить более мощные прицелы – типа 6×42 или 8×42, но основным остался ПСО-1.
СВД получила ряд опытных и серийных модификаций. В частности, в 1968 г. был представлен 5,6-мм учебный вариант ТСВ-1 («тренировочная снайперская винтовка») с прицелом ТО-4М и магазином емкостью 10 патронов. Ее масса составляла 3,8 кг. В 1970 г. Е.Ф. Драгунов представил автоматический вариант В-70 (АВД) с переводчиком для автоматического и одиночного огня.
Утяжеление ствола дало приращение массы винтовки до 4,6 кг, смещало вперед центр тяжести и позволяло вести огонь очередями. В-70 не получила развития – автоматическая винтовка, видимо, справедливо показалась излишеством.
СВД с незначительными изменениями конструкции состоит на вооружении армий еще шести стран. Так, румынский вариант СВД – FPK имеет иной узел цевья и может нести дульную насадку для выстреливания оперенных винтовочных гранат – черта, для снайперского оружия экзотическая и не совсем понятная. Румынские СВД использовались молдавскими националистами в Приднестровье. Румынская модель винтовки без механических прицельных приспособлений поставляется на рынок под девизом SWD «Дракула». Китайская корпорация NORINCO выпускает СВД под обозначением NDM-86. В Ираке выпускается винтовка «Аль-Кадиш», отличающаяся от СВД оформлением цевья и приклада, орнаментальной штамповкой корпуса магазина. В результате в ряде войн и конфликтов СВД оказывалась с разных сторон фронта – например, во время операции «Буря в пустыне» 1991 г. СВД имелись как у армии Ирака, так и у «арабских союзников» США. После «воссоединения Германии» СВД перешли от ННА бывшей ГДР бундесверу ФРГ. В Польше несколько десятков СВД модернизировали, приспособив их под менее мощный патрон 7,62×51 НАТО – в связи с вступлением страны в НАТО. Такие винтовки получили обозначение SWD-М и оптический прицел LD-6. Вместе с финскими TRG-21 и TRG-22 (закуплены Польшей в 2005 г.) такие винтовки направили с польским контингентом в Ирак.
ТАКТИКО-ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ СВД
Патрон – 7,62x54R
Масса без магазина и оптического прицела – 3,7 кг
Масса с магазином и прицелом ПСО-1 – 4,52 кг
Длина без штыка – 1225 мм
Длина со штыком – 1370 мм
Длина ствола – 620 мм
Длина нарезной части ствола – 547 мм
Нарезы – 4 правосторонних, длина хода нарезов 320 мм
Начальная скорость пули – 830 м/с
Дульная энергия – 4064 Дж
Боевая скорострельность – 30 в/мин
Прицельная дальность СВД – 1300 м с оптическим прицелом; 1200 м с открытым прицелом
Дальность прямого выстрела по ростовой фигуре – 640 м, по грудной фигуре – 430 м
Емкость магазина – 10 патронов
Масса патрона – 21,8 г
Пробивное действие пули патрона 7Н1
– стенка стальной каски на дальности до 1700 м,
70—80 мм бруствера из плотно утрамбованного снега на 1000 м,
25—30 мм грунта на 1000 м,
10—12 мм кирпичной кладки на 200 м
Масса прицела ПСО-1 – 0,58 г
Кратность увеличения прицела – 4х
Поле зрения прицела – 6 градусов
Диаметр выходного зрачка – 6 мм
Удаление выходного зрачка – 68 мм
Разрешающая способность – 12 сек
Длина прицела с наглазником и блендой – 375 мм
Данный текст является ознакомительным фрагментом.
Продолжение на ЛитРесВ чем разница между СЭД и ЭДО? Рассказываем в статье.
Электронная обработка документов прочно вошла в нашу жизнь: автоматизация охватывает полный цикл по работе с ними, начиная от их создания и заканчивая сдачей в архив.
Несмотря на то, что СЭД и ЭДО используются уже не один год, многие пользователи до сих пор не улавливают разницы между ними, будучи уверенными, что это одно и то же блюдо под разными соусами. Такое мнение в корне неверно.
Обе эти системы связаны с документооборотом. Но между ними существует принципиальное различие.
Электронный документооборот (ЭДО) – обмен документами между контрагентами: счетами-фактурами, накладными, актами-сверки и актами выполненных работ, счетами, заказами вне зависимости от географии.
Пример ЭДО — популярный сервис веб-клиент Synerdocs. Он отличается простотой подключения – достаточно загрузить свою электронную подпись (далее ЭЦП), а также удобным и комфортным интерфейсом, визуально напоминающим электронную почту. Synerdocs обеспечивает возможность создания, просмотра и редактирования любых документов, с дальнейшей их выгрузкой и рассылкой.
Отличными функциональными возможностями обладает и контент Diadoc. Имея на руках сертификат, достаточно войти в систему, ознакомиться с условиями лицензионного договора и принять их. Кроме того, благодаря роумингу, можно обмениваться документацией с пользователями иных операторов ЭДО, а также без труда приспособить систему к своим привычным действиям.
Для малого, среднего и крупного бизнеса, с бухгалтерией от 1С или без, ЭДО есть в решениях 1С и этот вариант подходит всем. Сервис «1С-ЭДО» встроен в типовые программы «1С:Предприятие» и не требует интеграции. Благодаря этому для компаний, использующих решения 1С, снижаются затраты на внедрение и уменьшается риск возникновения проблемных ситуаций. В 1С:ЭДО бесплатное подключение типового функционала, есть возможность тестового подключения возможностей программного продукта на 90 дней.
Рисунок 1 «Пример настройки обмена документами с контрагентом в системе 1С:ЭДО»
Система электронного документооборота (СЭД) — автоматизированная многопользовательская система (компьютерная программа), позволяющая организовать процесс управления работой компании и обеспечивающая выполнение этой организацией своих функций. СЭД облегчает оперативное управление бизнес-процессами как между партнерскими учреждениями, так и горизонтальными, корпоративными (взаимодействие между сотрудниками (передачу документов, выдачу заданий, отправку уведомлений и т.п.). СЭД также называют EDMS (Electronic Document Management Systems), что в переводе означает — «управление корпоративными информационными ресурсами (содержанием, наполнением, контентом)»
Рисунок 2 «Функциональные блоки системы 1С:Документооборот»
ИЛИ
Рисунок 3 «Начальная страница в системе 1С:Документооборот»
Итак, вот она основная формула:
СЭД = управление бизнес-процессами + ЭДО, т.е. ЭДО входит в СЭД, ЭДО – это лишь малая часть СЭД.
Вы задумались о необходимости ECM(СЭД)-системы в компании?
Тогда ответьте на вопросы:
- Какие из Ваших поручений сейчас в работе, какие уже выполнены, а какие просрочены?
- Как быстро найти документы по текущему контрагенту? На Вашем столе лежат бумажные варианты документов?
- Кто из сотрудников и на какой стороне задерживает процесс заключаемой сделки?
Если Вы не можете сразу сформулировать ответы на вопросы или каждый из них требует длительного времени, то ответ однозначный – да, вам рекомендуется внедрить в компании СЭД.
Одними из самых масштабных и производительных платформ считаются Directum, DocsVision и 1С:Документооборот, они обеспечивают параллельную работу нескольких десятков тысяч человек. Преимуществами решений являются легкость интегрирования в IT инфраструктуры – учетные системы, сервисы обмена документами, офисные пакеты и приложения, что позволяет им выступать в качестве ключевого элемента в корпоративном контенте.
В систему 1С:Документооборот встроен сервис 1С:ЭДО, что позволяет не только упорядочить бизнес-процессы компании по работе с документами, но и отправлять их контрагентам, не переключаясь на другие программы.
Внедрение СЭД в комплексе с сервисом обмена документами (ЭДО) – мощный инструмент компаний, которые идут в ногу со временем!
Волшебный CBD — как каннабис вошел в жизнь американцев
- Алекс Ханнафорд
- BBC Capital
Автор фото, Alamy S
Продукция с каннабидиолом, непсихотропным веществом содержащимся в конопле, в последнее время приобрела огромную популярность в США, превратившись в миллиардную индустрию. BBC Capital исследует законодательные, научные и коммерческие аспекты этого феномена.
Жидкость для электронных сигарет и вейпа, обезболивающие кремы, пластыри и конфеты на любой вкус (жевательные мишки и змейки, разноцветная пастила), а также капсулы и смеси.
Каннабидиол, более известный как CBD (КБД), — это природный экстракт каннабиса или обычной конопли. В последнее время СBD приобрел такую популярность в Соединенных Штатах, что трудно представить место, где его не продают, или заболевания, которые им не лечат.
Как рассказывают пользователи, они принимают его при боли в мышцах, артрите и тревожности. CBD помогает при эпилепсии и посттравматическом стрессовом расстройстве.
Каннабидиол добавляют даже в корм для домашних животных. Существует, например, масло CBD для собак — со вкусом бекона, конечно.
По оценкам маркетинговой фирмы Brightfield Group, занимающейся исследованием рынка CBD, уже в следующем году себестоимость производства этого продукта составит 5,7 млрд долларов, а к 2022 году эта цифра увеличится до 22 млрд долларов.
Руководитель исследовательской группы Бетани Гомез отмечает, что рост компании-лидера на рынке по производству и продаже продуктов на основе конопли Charlotte’s Web Holdings составил 172% в 2016-2017 годах, а в 2018-м достиг 89 млн долларов.
Неудивительно, что этот противоречивый сектор активно привлекает внимание инвесторов, в том числе из довольно неожиданных отраслей.
Автор фото, Getty Images
Підпис до фото,Все чаще мировые бренды используют каннабидиол (КБД) в качестве пищевой добавки, в том числе для домашних питомцев
Так, компания Coca Cola недавно заявила, что «внимательно следит за тем, как во всем мире непсихотропний каннабидиол добавляют в состав оздоровительных напитков».
Однако предоставить более детальный комментарий в Coca Cola отказались.
Когда в конце прошлого года Brightfield Group опубликовала свои отраслевые прогнозы, многие удивились. Но три дня спустя СМИ сообщили, что Coca Cola изучает производство CBD, и все вопросы отпали.
«Если посмотреть на общий объем продаж всей продукции CBD сегодня, и добавить сетевую розничную торговлю и фармацевтику, которые мечтают стать игроками этого рынка, можно ожидать колоссальных перемен».
В авангарде
Жолт Ченка — один из фанатов новой отрасли. Он — основатель Adriaen Block, первого в Нью-Йорке ресторана и бара CBD.
Ченка говорит, что создает коктейли из ягод и трав с низким содержанием алкоголя по рецептам XVI-XVII века. Но он также добавляет в них масло CBD, соединяя таким образом традиции и современность.
Автор фото, Alamy
Підпис до фото,Продукция с содержанием CBD продается в различных видах: конфеты, печенье для собак и даже шприцы, наполненные чистым каннабидиолом
«Один-два коктейля с CBD снижают стресс и позволяют достичь приятного расслабленного состояния, что, безусловно, лучше, чем четыре-пять стаканов виски, после которых наступает алкогольное опьянение», — объясняет Ченка.
В его ресторане CBD также добавляют в соусы, например, в перечный соус, с которым подают нью-йоркский стейк, или французские соусы демиглас, бербан и беарнез.
Но что говорит наука? Кроме довольно неясной концепции «оздоровления», конкретных свидетельств того, как CBD влияет на организм человека, пока нет.
«Я не мог расслабиться ночью и уснуть, возникало чувство тревоги», — рассказывает Жолт Ченка.
«Но после двух напитков с CBD или нескольких капель в кофе голова проясняется и наступает расслабление. Я не продавал бы то, во что не верю сам».
«Впрочем, — добавляет Ченка, — мы только предлагаем опыт, а не чудодейственное лечение или советы. Мы помогаем людям расширить опыт и снизить тревогу и стресс».
Кто покупатель?
Кто именно покупает продукцию с каннабидиолом? Согласно опросу 5000 потребителей CBD, которое Brightfield Group провела прошлым летом, первыми, кто начал покупать CBD после его легализации в разных штатах, были миллениалы.
За ними следуют покупатели в возрасте чуть за 30, среди сорокалетних спрос постепенно снижается, однако опять возрастает в возрастной группе от 50 до 60 лет.
Автор фото, Getty Images
Підпис до фото,Конопляное масло, содержащее каннабидиол, добавляют в соусы и другие блюда
Последнюю категорию покупателей в первую очередь интересуют настойки, кремы и капсулы, которые используют при заболеваниях, связанных со старением, например артритом или хронической болью.
Среди потребителей CBD примерно равное количество женщин и мужчин, однако, как отмечает Гомес, раньше женщин было больше.
А теперь внимание! Продукция с содержанием CBD продается в США практически везде, но покупая ее во всех 50 штатах и в любой форме, вы нарушаете закон.
Как такое может быть, ведь по крайней мере в девяти штатах рекреационное использование марихуаны легализовано?
Проблема в конфликте между федеральным законодательством и законами штата, а также в разнице между двумя видами каннабиса: марихуаной и коноплей.
Потребителей интересуют два вида экстракта конопли: ТГК (тетрагидроканнабинол), который имеет психотропное воздействие, то есть меняет сознание, и КБД (каннабидиол), который такого действия не оказывает.
Промышленная конопля содержит менее 0,3% ТГК, но может иметь высокий уровень КБД.
С другой стороны, растения Марихуаны обычно культивируют именно из-за содержания ТГК.
Иными словами, конопля полностью отличается от марихуаны, но оба вида каннабиса в 1970-х годах были классифицированы в федеральном законодательстве США как наркотик категории 1.
То есть такой же, как героин и кокаин. И это определение используют по сей день.
Автор фото, Getty Images
Підпис до фото,КБД и ТГК являются разными видами экстрактов каннабиса, но в федеральном законодательстве США оба классифицируются как наркотик категории 1
В штатах, где продукция с ТГК легализована, право производить и продавать ее имеют только предприятия с государственной лицензией. Продукты с CBD, с другой стороны, есть везде: от супермаркетов до заправок.
Однако CBD остается в серой правовой зоне.
Многие розничные торговцы считают, что пока они придерживаются законодательных норм штата и не поставляют свою продукцию через границы штата (что считается торговлей наркотиками), федеральные правоохранительные органы, например Администрация по борьбе с наркотиками (DEA), будет закрывать глаза на их деятельность.
Владелец ресторана Adriaen Block не исключает того, что DEA может однажды совершить облаву на его заведение, но он хорошо знает законы штата, а также то, что CBD, который он использует в своей продукции, содержит 0% ТГК.
Инвесторы не спешат
Неясный правовой статус вещества в Америке заставляет потенциальных инвесторов, которых бесспорно влечет прибыльность отрасли, быть чрезвычайно осторожными.
С другой стороны, Forbes назвал шумиху вокруг CBD преувеличенной и посоветовал лучше инвестировать в Apple, чем в «травку».
Автор фото, Alamy
Підпис до фото,По оценкам экспертов, доходы от продаж CBD к 2022 году могут достичь невиданных ранее 22 млрд долларов
Впрочем, судьбу CBD в конце концов может решить совершенно неожиданный человек: 76-летний республиканец от штата Кентукки, сенатор Митч МакКоннелл.
В начале прошлого года МакКоннелл представил на рассмотрение проект закона, согласно которому коноплю должны исключить из перечня веществ, контролируемых федеральным законом.
Если закон примут, конопля и ее производные, в частности, CBD, будут полностью легализованы.
Слово ученым
Несмотря на популярность каннабидиола и доказательства ее пользы, ни одного масштабного контролируемого исследования его эффективности не проводилось.
Однако, как отмечает декан факультета психиатрии и директор центра исследований медицинского каннабиса в Университете Калифорнии Игорь Грант, перспективы для применения вещества в медицине бесспорно есть.
Ученый ссылается на несколько пока небольших исследований, которые свидетельствуют о том, что CBD может иметь успокаивающие, противовоспалительные и антипсихотические свойства, а также принести положительный результат в лечении шизофрении.
Автор фото, Getty Images
Підпис до фото,Медицинское применение каннабиса сейчас активно изучают ученые
Хотя делать окончательные выводы еще рано, это — чрезвычайно перспективная отрасль научных исследований, уверен Грант.
«Каннабидиол, вероятно, оказывает противовоспалительное действие, может помогать при воспалении кишечника, например при болезни Крона или неврологических заболеваниях», — объясняет ученый.
Что касается применения CBD в напитках «для улучшения самочувствия» или энергетиках, которые так активно рекламируют, их польза научно не подтверждена. Как, собственно, и многие другие модные тенденции в области питания.
«Это не означает, что эти заявления — ложные, пока мы просто не можем ни опровергнуть их, ни подтвердить. Валиум, например, тоже помогает при тревожных состояниях. Но мы не добавляем его в кока-колу, чтобы люди могли снять стресс».
«Первое, что нам нужно решить, это законодательные разногласия. А потом дождаться выводов исследований. Вот тогда мы сможем посоветовать людям что-то конкретное», — подытожил ученый.
Прочитать оригинал этой статьи на английском языке вы можете на сайте BBC Capital.
Хотите поделиться с нами своими жизненными историями? Напишите о себе по адресу — [email protected], и наши журналисты с вами свяжутся.
Путин хочет сделать из России великую державу — путём ослабления США — ИноТВ
Президент Владимир Путин стремится к тому, чтобы Россия стала великой державой и получила право голоса при решении важных международных проблем, и один из главных путей достижения этой цели — это ослабление США, пишет Svenska Dagbladet. Однако стать великой державой Москве мешают разнообразные проблемы, в частности, экономическое и технологическое отставание как от Запада, так и от Китая.
Когда стало ясно, что бизнесмен Дональд Трамп одержал победу на президентских выборах в США, Кремль обуяла радость. Многие надеялись, что президент России Владимир Путин и Трамп поладят, пишет Svenska Dagbladet.
«Однако затем смех застрял в горле. Как оказалось, Трамп настолько ненадёжен, что может говорить Путину одно, а у себя в стране рассказывать совершенно другое», — вспоминает эксперт по России при Шведском институте оборонных исследований Гудрун Перссон. Все надежды, по её словам, были разбиты вдребезги. Отношения между двумя президентами теперь вряд ли можно назвать хорошими — хотя они могли бы быть ещё хуже.
Между тем, в ноябре США вновь собираются выбрать себе президента, и Россия внимательно следит за этим процессом. Исход выборов, по словам Перссон, на многое повлияет, однако Путин всё же предпочёл бы, чтобы Трамп остался у власти.
«Кто сидит в Белом доме — это важно. Они к Трампу уже привыкли», — добавила эксперт.
Между тем, хотя Трампа и считают ненадёжным президентом, он редко говорит о российском лидере что-то плохое. При этом американский президент, например, хотел отменить антироссийские санкции, однако это не помешало ему пойти на ряд карательных мер, чтобы помешать строительству «Северного потока — 2».
Другая сотрудница Шведского института оборонных исследований Каролина Вендил Паллин согласна со своей коллегой: «В какой-то степени Трамп — это вариант получше, но он довольно непредсказуем. Чего хочет Россия, так это ослабления США. Это главная цель».
При этом сам факт наличия у Владимира Путина больших амбиций в рамках борьбы между великими державами вряд ли сможет кого-то удивить.
«Желания России вполне очевидны. Путин говорит об этом уже почти 20 лет, а именно о стремлении стать великой мировой державой и заполучить сферу влияния в непосредственной близости от своих границ», — уверена Гудрун Перссон.
Россию на данный момент можно назвать великой державой в военном плане, так как она располагает обширным арсеналом ядерного оружия и большой армией.
«Вся её риторика построена на том, что они — это великая держава. Это весьма важно в плане национальной самоидентификации, и национальная пропаганда активно играет на этом», — полагает Каролина Вендил Паллин.
Тем не менее Россия отстаёт в ряде важных направлений вроде экономики и технологического развития. Стремясь обрести статус великой державы, Россия столкнулась в этих сферах с серьёзными проблемами.
«Самая большая проблема — это экономика. Поставленная цель — это догнать Запад и Китай по технологиям», — подчеркнула Паллин. Стремление Москвы стать великой державой в полном смысле она объясняет тем, что Россия «не хочет, чтобы её игнорировали». «Она хочет быть за столом переговоров, когда на международной арене принимаются важные решения. Для России это важно», — объяснила эксперт.
Главным словом для Москвы в этом контексте, по мнению Паллин, является суверенитет. «Они понимают, что для достижения этого суверенитета нужна более сильная экономика. Они также хорошо осознают, насколько важно быть технологическим лидером», — отметила она.
Однако руководитель программы России и Евразии в Шведском внешнеполитическом институте Мартин Краг считает, что Россия продолжит отставать на этих направлениях, что будет мешать ей в получении статуса великой державы.
«Разрыв в уровне жизни между Россией и развитыми странами в ближайшие годы будет только возрастать. Они становятся всё более зависимыми от развития других стран. Проблема в том, что России нужно сделать выбор между китайскими и западными технологиями, в то время как собственных технологий у неё не будет», — рассказал эксперт.
Между тем, протесты в Белоруссии против президента Александра Лукашенко в Москве считают серьёзной угрозой. «Если Лукашенко будет вынужден уйти, то для нынешнего политического руководства в Москве это станет опасным прецедентом. Такой исход докажет, что если достаточное количество людей выйдет на демонстрацию, то лидеров можно отстранить от власти. Это может оказать непосредственное влияние на политическую ситуацию в России», — считает Гудрун Перссон.
Кроме того, помимо событий в Белоруссии «головной боли» Путину добавило отравление Алексея Навального, которое привело к осуждению России и требованиям открыть расследование по этому делу.
«Этот инцидент явно раздражает Кремль, притом что он может стать основанием для введения дополнительных санкций против России», — полагает Перссон. При этом новые санкции могут стать для Москвы дополнительным препятствием в деле поиска новых технологий, что замедлит её развитие.
Всё это накладывается на падение популярности Путина, о чём свидетельствуют данные недавних опросов. В январе в попытке повысить уровень поддержки российские власти начали ряд национальных проектов, которые призваны укрепить систему здравоохранения и образования. Однако, по словам Перссон, из-за плачевного состояния экономики на них не удалось выделить планируемое количество средств.
«Опросы говорят о том, что именно этого хотят люди. Однако эти проекты застопорились из-за падения цен на нефть, а потом пришла и пандемия коронавируса», — добавила она.
Между тем, в США приближаются выборы. В прошлом избирательном цикле Путин связывал определённые надежды с Трампом, рассчитывая, в частности, на то, что они поделят Европу на сферы влияния. Возможно, как полагает Гудрун Перссон, российский лидер и в этот раз рассчитывает на победу Трампа, так как появление в Белом доме Джо Байдена будет для России, скорее всего, негативным фактором.
«При Байдене возможно ещё большее ужесточение политики по отношению к России. Трамп же тему России пытается гасить», — объяснила эксперт.
Однако, по мнению экспертов по России, в плане борьбы между великими державами победа Байдена или Трампа играет не слишком большую роль. «Пока Путин остаётся президентом, США и Запад будут изображаться в качестве враждебных субъектов, которые различными путями вредят интересам России. Такой риторики Россия придерживалась на протяжении десяти лет, и она никуда не денется», — полагает Мартин Краг.
\ top, $, где $ \ epsilon $ — крошечное число.
Определение— В чем разница между «сингулярным значением» и «собственным значением»?
определение — В чем разница между «сингулярным значением» и «собственным значением»? — Обмен математическим стекомСеть обмена стеков
Сеть Stack Exchange состоит из 176 сообществ вопросов и ответов, включая Stack Overflow, крупнейшее и пользующееся наибольшим доверием онлайн-сообщество, где разработчики могут учиться, делиться своими знаниями и строить свою карьеру.
Посетить Stack Exchange- 0
- +0
- Авторизоваться Зарегистрироваться
Mathematics Stack Exchange — это сайт вопросов и ответов для людей, изучающих математику на любом уровне, и профессионалов в смежных областях.Регистрация займет всего минуту.
Зарегистрируйтесь, чтобы присоединиться к этому сообществуКто угодно может задать вопрос
Кто угодно может ответить
Лучшие ответы голосуются и поднимаются наверх
Спросил
Просмотрено 146k раз
$ \ begingroup $Я пытаюсь доказать некоторые утверждения о разложении по сингулярным значениям, но я не уверен, в чем разница между сингулярным значением и собственным значением. HA $ равны $ \ lambda_i \ geq 0 $, то $ \ sqrt {\ lambda_i} $ являются сингулярными значениями $ A $.Если $ t $ — собственное значение $ A $, то $ | t | $ — сингулярное значение $ A $. И вот пример, который следует отметить, $$ A = \ begin {pmatrix} 1 & 0 & 1 \\ 0 & 1 & 1 \\ 0 & 0 & 0 \ end {pmatrix}, $$ собственные значения $ A $ равны $ 1,1,0 $, а сингулярные значения $ A $ равны $ \ sqrt {3}, 1,0 $.
Создан 14 дек.
Эден Хардер, Эден Хардер81311 золотых знаков77 серебряных знаков1212 бронзовых знаков
$ \ endgroup $ 6 $ \ begingroup $— это сингулярное значение, просто еще одно имя для собственного значения?
Нет, особые и собственные значения разные.
В чем разница между сингулярным значением и собственным значением?
Есть много возможных ответов на этот вопрос. Поскольку я не знаю, что вы пытаетесь доказать, я бы рекомендовал внимательно сравнить определения между ними: собственное разложение, разложение по сингулярным числам
[РЕДАКТИРОВАТЬ: Первые несколько глав книги «Числовая линейная алгебра» Трефетена и Бау могут оказаться более полезными, чем статья в Википедии. Они доступны здесь.]
Два важных момента:
Обратите внимание, в частности, что SVD определяется для любой матрицы, в то время как собственное разложение определяется только для квадратных матриц (а точнее, нормальных матриц).
Обратите внимание, что особые значения всегда действительны, в то время как собственные значения не обязательно должны быть действительными.
Создан 03 апр. {T} $$
Создан 11 мая ’20 в 13: 182020-05-11 13:18
$ \ endgroup $ Высокоактивный вопрос .Заработайте 10 репутации, чтобы ответить на этот вопрос. Требование репутации помогает защитить этот вопрос от спама и отсутствия ответов. Mathematics Stack Exchange лучше всего работает с включенным JavaScriptВаша конфиденциальность
Нажимая «Принять все файлы cookie», вы соглашаетесь с тем, что Stack Exchange может хранить файлы cookie на вашем устройстве и раскрывать информацию в соответствии с нашей Политикой в отношении файлов cookie.
Принимать все файлы cookie Настроить параметры
линейная алгебра — разница между анализом главных компонентов (PCA) и сингулярным разложением (SVD)?
линейная алгебра — разница между анализом главных компонентов (PCA) и сингулярным разложением (SVD)? — Обмен математическим стекомСеть обмена стеков
Сеть Stack Exchange состоит из 176 сообществ вопросов и ответов, включая Stack Overflow, крупнейшее и пользующееся наибольшим доверием онлайн-сообщество, где разработчики могут учиться, делиться своими знаниями и строить свою карьеру.
Посетить Stack Exchange- 0
- +0
- Авторизоваться Зарегистрироваться
Mathematics Stack Exchange — это сайт вопросов и ответов для людей, изучающих математику на любом уровне, и профессионалов в смежных областях.Регистрация займет всего минуту.
Зарегистрируйтесь, чтобы присоединиться к этому сообществуКто угодно может задать вопрос
Кто угодно может ответить
Лучшие ответы голосуются и поднимаются наверх
Спросил
Просмотрено 3к раз
$ \ begingroup $На этот вопрос уже есть ответы :
Закрыт 9 лет назад.
Возможный дубликат:
Какая интуитивная связь между SVD и PCA
Меня перепутали PCA и SVD .
На странице википедии для PCA есть эта строка:
«PCA может быть выполнено путем разложения по собственным значениям ковариационной матрицы данных или разложения по сингулярным значениям матрицы данных, обычно после центрирования данных по среднему значению для каждого атрибута.»
Означает ли это, что PCA = SVD матрицы данных?
Есть ли статья / руководство, объясняющее разницу?
задан 11 мая ’11 в 14: 162011-05-11 14:16
Афинаатина12111 серебряный знак22 бронзовых знака
$ \ endgroup $ 0 $ \ begingroup $PCA требует SVD или разложения по собственным значениям для вычисления главных компонентов (PC).То есть ПК — это результат СВД образцов.
PCA двухступенчатый.
- выводят PC, которые являются осями PCA, используя SVD, и выбирают n собственных векторов, соответствующих n наибольшим собственным значениям.
- проецирует некоторые образцы на эти ПК (для шумоподавления, уменьшения размерности, выделения функций)
Вы можете найти некоторые статьи, используя ключевое слово «учебный анализ основных компонентов».
Надеюсь, это поможет
Создан 13 дек.
Эметемет11999 бронзовых знаков
$ \ endgroup $ Mathematics Stack Exchange лучше всего работает с включенным JavaScriptВаша конфиденциальность
Нажимая «Принять все файлы cookie», вы соглашаетесь с тем, что Stack Exchange может хранить файлы cookie на вашем устройстве и раскрывать информацию в соответствии с нашей Политикой в отношении файлов cookie.
Принимать все файлы cookie Настроить параметры
Система рекомендаций— разложение по сингулярным числам (SVD) и усеченная SVD | Дениз Чен
Фото Unsplash.comНаиболее распространенный метод для систем рекомендаций часто связан с совместной фильтрацией (CF), в которой он полагается на прошлый набор данных пользователя и элемента. Два популярных подхода к CF — это модели скрытых факторов, которые извлекают особенности из матриц пользователей и элементов, и модели соседства, которые находят сходство между продуктами или пользователями.
Модель соседства — это элементно-ориентированный подход для определения предпочтений пользователя на основе оценок, выставленных пользователем для аналогичных элементов. С другой стороны, модели скрытых факторов, такие как разложение по сингулярным значениям (SVD), извлекают признаки и корреляцию из матрицы пользовательских элементов.Например, когда это фильмы разных категорий. SVD будет генерировать факторы при рассмотрении пространства измерений, таких как действие против комедии, Голливуд против Болливуда или Marvel против Диснея. В основном мы сосредоточимся на модели скрытых факторов для подхода сингулярного разложения (SVD).
В этой статье вы познакомитесь с разложением по сингулярным числам и усеченным SVD рекомендательной системы:
(1) Введение в разложение по сингулярным числам
(2) Введение в усеченный SVD
(3) Практическое руководство опыт использования кода Python для матричной факторизации
Когда дело доходит до уменьшения размерности, разложение по сингулярным значениям (SVD) является популярным методом в линейной алгебре для матричной факторизации в машинном обучении.Такой метод сжимает размерность пространства с N-измерения до K-измерения (где K Матрица U: сингулярная матрица (пользователь * скрытые факторы) Из матричной факторизации скрытый Факторы показывают характеристики предметов.Т_и * Ы_у. Потери можно минимизировать за счет разницы в квадрате ошибок между произведением R_ui и ожидаемым рейтингом. Регуляризация используется для предотвращения переобучения и обобщения набора данных путем добавления штрафа. Здесь мы добавляем член смещения, чтобы уменьшить ошибку фактического значения по сравнению с предсказанным моделью. (u, i): пара пользовательских элементов Приведенное ниже уравнение добавляет член смещения и член регуляризации: Когда дело доходит до техники матричной факторизации, усеченное Разложение по сингулярным значениям ( SVD ) является популярным методом получения функции, которые делят матрицу M на три матрицы U, Σ и V.Другой популярный метод — анализ главных компонентов (PCA). Усеченный SVD имеет сходство с PCA, в то время как SVD создается из матрицы данных, а факторизация PCA генерируется из ковариационной матрицы. В отличие от обычных SVD, усеченный SVD производит факторизацию, где количество столбцов может быть указано для количества усечений. Например, для данной матрицы n x n усеченный SVD генерирует матрицы с указанным количеством столбцов, тогда как SVD выводит n столбцов матриц. Усеченный SVD может иметь дело с разреженной матрицей для генерации матриц признаков, тогда как PCA будет работать со всей матрицей для вывода ковариационной матрицы. Метаданные включают 45 000 фильмов, перечисленных в полном наборе данных MovieLens, и фильмы, выпущенные до июля 2017 года. Актеры, съемочная группа, ключевые слова сюжета, бюджет, доход, плакаты, даты выпуска, языки, производственные компании, страны, TMDB подсчет голосов и среднее значение голосов есть в наборе данных.Шкала оценок от 1 до 5, взято с официального сайта GroupLens. Набор данных ссылается на набор данных Kaggle. Разложение по сингулярным значениям (SVD) — это метод совместной фильтрации для рекомендаций фильмов. Целью реализации кода является предоставление пользователям рекомендаций фильмов на основе скрытых функций матриц элемент-пользователь. Код покажет вам, как использовать модель латентных факторов SVD для матричной факторизации. Произвольная выборка набора рейтинговых данных и создание функций фильма с жанрами.Затем пометьте все фильмы и пользователей соответствующими уникальными идентификаторами. Через каждый прогон эпохи среднеквадратичное значение уменьшается, а конечный результат достигает среднеквадратичного значения 0,57. Количество размеров партии будет влиять на количество входных данных, вводимых в модель для каждого прогона. Размер пакета, скорость обучения и срок регуляризации настраиваются для оптимизации производительности модели.
Матрица S: диагональная матрица (показывает силу каждого скрытого фактора)
Матрица U: сингулярная матрица (элемент * скрытые факторы)
μ: средняя оценка всех элементов
bi: средняя оценка элемента i минус μ
bu: средняя оценка, присвоенная пользователь u минус μ Преимущества усеченного SVD перед PCA
Описание данных:
Предварительная обработка данных
количество пользователей: 1105
количество фильмов: 3000 Характеристики модели
RMSE 2,1727233
RMSE 2.101482
RMSE 2.0310202
СКО 1,9610059
СКО 1,8
СКО 1,8213558
СКО 1,7515925
СКО 1,681992
СКО 1,612707
СКО 1,543902
СКО 1,4757496
СКО 1,408429
СКО 1,3421307
СКО 1,277059
СКО 1,2134355
СКО 1,1514966
СКО 1,0914934
СКО 1,0336862
СКО 0,9783424
RMSE 0,9257237
RMSE 0,87606686
RMSE 0,82956517
RMSE 0,7863303
RMSE 0,7463626
RMSE 0,7095342
RMSE 0,67563176
RMSE 0.6445249
RMSE 0,6163493
RMSE 0,56
RMSE 0,5701855
Первые 10 компонентов матрицы фильма пользователя x, сгенерированные посредством усеченного SVD. В реконструированной матрице есть скрытые особенности, показывающие корреляцию с оценками пользователей для прогнозирования рейтинга.
Поскольку столбец жанров находится в списке формата словаря, столбец предварительно обрабатывается и извлекается с названиями нескольких жанров, разделенными | формат.
Выполнение усеченного SVD для матрицы пользователя и фильма
Возьмите 3000 случайных оценок пользователей из набора данных и создайте сводную таблицу с индексом Userid и столбцами MovieID со значением рейтинга.Затем с помощью пользовательской матрицы создается пользовательская матрица с 2921×1739 пользователями.
Возьмите 3000 случайных выборок фильмов из набора данных и создайте сводную таблицу с индексом MovieID и столбцами Userid со значением рейтинга. Затем матрица фильма генерируется с помощью матрицы фильма с 3000×1105 пользователей.
Из матрицы пользователей и рейтинга 80% данных используется для данных обучения, а остальные 20% — для данных тестирования. Для данных поезда восстановленная матрица создается из 10 компонентов усеченного SVD.Длина строки * столбца матриц равна movie_features.shape = (2400, 10) и user_features.shape = (2336, 10).
TSNE Визуализация
TSNE преобразует многомерное пространство данных в низкоразмерное пространство данных и визуализирует его. Недоумение — это одна из настраиваемых функций, позволяющая сбалансировать локальные и глобальные данные и предложить количество ближайших соседей каждой точки.
Возьмите 5 и 2 компонентов фильма, и сюжет создается и показывает группы фильмов.Коррелированные фильмы сгруппированы по скрытым признакам, полученным с помощью метода TSNE.
TSNE график коррелированных фильмовПодготовка поездов и данных цели
Метка целевых данных представляет собой средний рейтинг пользователей, округленный до 1 десятичной точки. Всего 501 фильм и 1108 оценок пользователей. Размер поезда и целевые данные: data.shape = (3000, 1105) и targets.shape = (3000,).
Обучение Gradient Boosted Regressor скрытым функциям
Обучите модель GradientBoostingRegressor со скоростью обучения 0.1 и 200 оценщиков. Функция потерь рассчитывается с помощью среднеквадратичной ошибки .
Окончательный прогноз — это средняя оценка каждого фильма по всем оценкам, полученным от пользователей. Итоговая MSE составляет около 0,51, что вполне оптимально для модели среднего рейтинга.
Оставшееся время потери ИТ-линии
1 0,3735 5,43 с
2 0,3710 5,12 с
3 0,3689 4,89 с
4 0,3672 4.76 с
5 0,3656 4,67 с
6 0,3641 4,64 с
7 0,3628 4,59 с
8 0,3614 4,54 с
9 0,3601 4,52 с
10 0,3589 4,51 с
20 0,3480 4,14 с
30 0,3391 3,83 с
40 0,3316 3,59245
50 с
60 0,3174 3,14 с
70 0,3118 2.91 с
80 0,3063 2,68 с
90 0,3013 2,45 с
100 0,2968 2,22 с
200 0,2620 0,00 с Конечная MSE: 0,5118555681581297
- Разложение по сингулярным числам разбивает три матрицы, а скрытые факторы показывают характеристики элементов. Уменьшает размер за счет извлечения скрытых факторов. Добавляя член регуляризации и смещения, он оптимизирует производительность модели за счет минимизации среднеквадратичной ошибки.
- Усеченный SVD генерирует матрицы с указанным количеством столбцов, тогда как SVD выводит n столбцов матриц. Это уменьшает количество выходных данных и лучше работает с разреженными матрицами для выходных данных.
- Использование усеченного SVD для уменьшения размерности
https://subscription.packtpub.com/book/big_data_and_business_intelligence/9781783989485/1/ch01lvl1sec21/ using-truncated-svd-to-reduce-dimensionnding
с использованием фильмов Truncated-reduce-dimensionalityhttps: // github.com / saurabhmathur96 / movie-considerations / blob / master / notebooks / Recommending% 20movies% 20using% 20Truncated% 20SVD.ipynb
3. Разложение по сингулярным значениям (SVD) и его применение в системе рекомендаций
https://analyticsindiamag.com / singular-value-Decposition-svd-application-Recommender-system / #: ~: text = In% 20the% 20context% 20of% 20the, учитывая% 20to% 20items% 20by% 20users.
4. Рекомендации фильмов с использованием факторизации матрицы SVD
https://github.com/saurabhmathur96/movie-recommendations/blob/master/notebooks/Recommending%20movies%20using%20SVD%20Matrix%20Factorisation.ipynb
Сравнение сингулярного разложения значений и матричной факторизации в рекомендательных системах | К. Дельфино | freeCodeCamp.org
Разъяснение путаницы между этими методами
Фото Эвана Денниса на UnsplashНедавно, после просмотра курса «Рекомендуемые системы» курса машинного обучения профессора Эндрю Нг, я почувствовал себя очень смущенным, не понимая, как работает матричная факторизация.
Иногда я знаю, что математика в машинном обучении очень непонятна. Лучше, если мы будем думать о нем как о черном ящике, но эта модель была очень «волшебной» по моим меркам.
В таких ситуациях я обычно пытаюсь поискать в Google больше ссылок, чтобы лучше понять концепцию. На этот раз я запутался еще больше. В то время как профессор Нг назвал алгоритм матричной факторизацией (низко-факторной), я нашел в Интернете другую номенклатуру: разложение по сингулярным значениям.
Больше всего меня смутило то, что разложение по сингулярным значениям сильно отличалось от того, чему учил профессор Нг. Люди продолжали утверждать, что это одно и то же.
В этом тексте я обобщу свои выводы и попытаюсь прояснить некоторую путаницу, которую могут вызвать эти термины.
Рекомендательные системы (RS) — это просто автоматизированные способы порекомендовать что-то кому-то. Такие системы широко используются компаниями электронной коммерции, потоковыми сервисами и новостными веб-сайтами. Это помогает уменьшить трение пользователей, пытающихся найти то, что им нравится.
RS определенно не новость: они были представлены по крайней мере с 1990 года. Фактически, часть недавнего ажиотажа в области машинного обучения можно отнести к интересу к RS. В 2006 году Netflix произвела фурор, когда спонсировала конкурс на лучший RS для своих фильмов.Как мы вскоре увидим, это событие связано с последовавшей за этим путаницей с номенклатурой.
Есть много способов порекомендовать кому-то фильм. Одна из стратегий, которая оказалась очень удачной, — рассматривать рейтинги фильмов как матрицу «Пользователи x фильмы» следующим образом:
Created with https://sheetsu.com/В этой матрице вопросительные знаки представляют фильмы, которые пользователь не оценил. Тогда стратегия состоит в том, чтобы как-то предсказать эти рейтинги и рекомендовать пользователям фильмы, которые им, вероятно, понравятся.
Ребята, принявшие участие в конкурсе Netflix (особенно Саймон Фанк), поняли, что рейтинги пользователей — это не просто случайные догадки. Оценщики, вероятно, следуют некоторой логике, когда они сравнивают то, что им нравится в фильме (конкретная актриса или жанр), с тем, что им не нравится (длительная продолжительность или плохие шутки), а затем выставляют оценку.
Этот процесс может быть представлен линейной формулой следующего вида:
, где xₘ — вектор-столбец со значениями характеристик фильма m и θᵤ — другой вектор-столбец с весами, которые Пользователь u дает каждой функции.У каждого пользователя свой набор весов, и каждый фильм имеет свой набор значений для своих характеристик.
Оказывается, что если мы произвольно зафиксируем количество характеристик и проигнорируем отсутствующие оценки, мы сможем найти набор весов и значений характеристик, которые создадут новую матрицу со значениями, близкими к исходной матрице оценок. Это можно сделать с помощью градиентного спуска, очень похожего на тот, который используется в линейной регрессии. Вместо этого сейчас мы оптимизируем два набора параметров (веса и характеристики) одновременно.
Используя таблицу, которую я привел в качестве примера выше, в результате задачи оптимизации будет сгенерирована следующая новая матрица:
Обратите внимание, что результирующая матрица не может быть точной копией исходной в большинстве реальных наборов данных, потому что в действительности life люди не делают умножения и суммирования, чтобы оценить фильм. В большинстве случаев рейтинг — это просто интуиция, на которую также могут влиять всевозможные внешние факторы. Тем не менее, мы надеемся, что линейная формула — хороший способ выразить основную логику, определяющую рейтинги пользователей.
Хорошо, теперь у нас есть приблизительная матрица. Но как, черт возьми, это помогает нам предсказать недостающие рейтинги? Помните, что для построения новой матрицы мы создали формулу для заполнения всех значений, включая те, которые отсутствуют в исходной матрице. Поэтому, если мы хотим предсказать недостающий рейтинг пользователя в фильме, мы просто берем все значения характеристик этого фильма, умножаем на все веса этого пользователя и просуммируем все. Итак, в моем примере, если я хочу предсказать рейтинг фильма 1 пользователя 2, я могу сделать следующий расчет:
Чтобы прояснить ситуацию, мы можем отделить θ ‘ с и x’ с и поместить их в их собственные матрицы (скажем, P и Q ).Фактически это матричная факторизация, отсюда и название, используемое профессором Нг.
Матричная факторизация — это в основном то, что сделал Фанк. Он занял третье место в конкурсе Netflix, привлекая к себе много внимания (что является интересным случаем, когда третье место более знаменито, чем победители). С тех пор его подход был воспроизведен и усовершенствован и до сих пор используется во многих приложениях.
Введите декомпозицию по сингулярным значениям (SVD). SVD — это интересный способ разложить матрицу на три другие матрицы ( A = UΣVᵀ ).Способ выполнения SVD гарантирует, что эти 3 матрицы несут некоторые приятные математические свойства.
Есть много приложений для СВД. Одним из них является анализ главных компонентов (PCA), который просто сокращает набор данных с размером n до размера k ( k
Я не буду подробно рассказывать вам о SVD, потому что сам не знаю. Дело в том, что — это не то же самое, что , как мы сделали с матричной факторизацией. Самым большим доказательством является то, что SVD создает 3 матрицы, в то время как матричная факторизация Funk создает только 2.
Итак, почему SVD продолжает появляться каждый раз, когда я ищу рекомендательные системы? Мне пришлось немного покопаться, но в конце концов я нашел несколько скрытых драгоценных камней. Согласно Луису Аргериху:
Алгоритмы матричной факторизации, используемые для рекомендательных систем, пытаются найти две матрицы: P, Q, например P * Q, соответствует ИЗВЕСТНЫМ значениям матрицы полезности.
Этот принцип появился в знаменитой статье SVD ++ «Факторизация встречает соседство», в которой, к сожалению, использовалось название «SVD ++» для алгоритма, который не имеет абсолютно никакого отношения к SVD .
Для протокола, я думаю, что Функ, а не авторы SVD ++, первым предложил упомянутую матричную факторизацию для рекомендательных систем. Фактически, SVD ++, как следует из названия, является продолжением работы Фанка.
Xavier Amatriain дает нам более широкую картину:
Начнем с того, что отметим, что метод, обычно называемый «SVD», который используется в контексте рекомендаций , строго говоря, не является математическим разложением по сингулярным значениям матрицы. а скорее приблизительный способ вычисления низкоранговой аппроксимации матрицы путем минимизации квадратичных потерь ошибок.Более точный, хотя и более общий способ назвать это матричной факторизацией. Первоначальная версия этого подхода в контексте премии Netflix Prize была представлена Саймоном Функом в его знаменитом блоге «Попробуйте это дома». Важно отметить, что подход «истинной SVD» действительно применялся к той же задаче несколько лет назад, но с не большим практическим успехом.
В Википедии также есть аналогичная информация, скрытая в статье «Факторизация матриц (рекомендательные системы)»:
Исходный алгоритм, предложенный Саймоном Функом в его сообщении в блоге, факторизовал матрицу рейтинга пользовательских элементов как продукт двух матриц меньшей размерности, в первом есть строка для каждого пользователя, а во втором — столбец для каждого элемента.Строка или столбец, связанные с конкретным пользователем или элементом, называются скрытыми факторами. Обратите внимание, что, несмотря на название, в FunkSVD не применяется разложение по сингулярным числам.
Подводя итог:
1. SVD — это довольно сложный математический метод, который факторизует матрицы в трех новых матрицах и имеет множество приложений, включая PCA и RS.
2. Саймон Функ применил очень умную стратегию в конкурсе Netflix в 2006 году, разложив матрицу на две другие и используя градиентный спуск, чтобы найти оптимальные значения характеристик и весов. Это не SVD , но он все равно использовал этот термин для описания своей техники.
3. Более подходящий термин для обозначения того, что сделал Funk, — это матричная факторизация.
4. Из-за хороших результатов и последовавшей известности люди до сих пор называют эту технику СВД, потому что, ну, автор так назвал ее.
Надеюсь, это поможет немного прояснить ситуацию.
Чем SVD отличается от других методов матричной факторизации, таких как неотрицательная матричная факторизация? — техника
PulkitS:Что это за собственные векторы, и не могли бы вы привести мне пару примеров того, как собственные векторы могут быть полезны?
дилеп.31:
Собственные векторы — это, по сути, свойства матрицы. Когда матрица умножается на собственный вектор, изменяется только величина собственного вектора, но не его направление. Это простейшее определение собственного вектора.
SVD широко используется в PCA (анализе главных компонентов), где собственные векторы ортогональны друг другу (частный случай SVD, поскольку входная матрица симметрична). В линейной регрессии мы предполагаем, что в объектах нет мультиколлинеарности.Но если они страдают от мультиколлинеарности, предположения регрессии не срабатывают, и результат будет нестабильным. Чтобы исправить это, мы можем преобразовать функции, используя эти собственные векторы, чтобы преобразовать их в ортонормированные функции (то есть каждая функция ортогональна любой другой функции, или они становятся «независимыми»). После преобразования объектов с помощью PCA мы можем применить линейную регрессию к преобразованным объектам и не беспокоиться о мультиколлинеарности.
Другой популярный случай использования SVD — это LSI (скрытое семантическое индексирование), метод, используемый при классификации текстовых документов.LSI помогает понять взаимосвязь между различными текстовыми документами.
LSI, PCA, собственные векторы, мультиколлинеарность — огромные темы. Я сделал здесь много упрощений, чтобы дать краткое описание. Вы можете найти в Google более подробную информацию о них.
PulkitS:SVD может дать лучшие результаты. Результаты SVD более детерминированы по сравнению с результатами NMF.
SVD — это более «проницательный» метод факторизации. NMF дает только матрицы U и V, но SVD дает также матрицу сигма вместе с этими двумя.Sigma дает нам представление о количестве информации, содержащейся в каждом собственном векторе. Такая информация недоступна в NMF.
SVD вычисляет собственные векторы, которые являются детерминированными для данной матрицы. Таким образом, они не сильно меняются в зависимости от того, какой пакет вы используете или какие у вас начальные условия. NMF, с другой стороны, пытается получить наиболее подходящие разложенные матрицы, которые обучаются на некоторых обучающих данных, а затем выполняют оценку на тестовых данных. В зависимости от техники, используемой для получения этих меньших матриц, вы можете получить разные результаты.Вам также следует подумать о регуляризации в NMF, в то время как вам не нужно беспокоиться об этом в SVD.
Новые алгоритмы совместной фильтрации на основе SVD ++ и дифференциальной конфиденциальности
Технология совместной фильтрации широко используется в рекомендательной системе, и ее реализация поддерживается большим объемом реальных и надежных пользовательских данных из эпохи больших данных. Однако с повышением осведомленности пользователей об информационной безопасности эти данные уменьшаются или качество данных ухудшается.Разложение по сингулярным значениям (SVD) — один из распространенных методов матричной факторизации, используемых при совместной фильтрации, который вводит информацию о смещении пользователей и элементов и реализуется с помощью алгебраического выделения признаков. Производная модель SVD ++ для SVD обеспечивает лучшую точность прогнозирования за счет добавления неявной информации обратной связи. Дифференциальная конфиденциальность определяется очень строго и может быть доказана, что стало эффективной мерой для решения проблемы злоумышленников, косвенно определяющих личную информацию о конфиденциальности с помощью фоновых знаний.В этой статье дифференциальная конфиденциальность применяется к модели SVD ++ с помощью трех подходов: градиентное возмущение, возмущение целевой функции и возмущение выходного сигнала. Благодаря теоретическому выводу и экспериментальной проверке предлагаемые новые алгоритмы могут лучше защитить конфиденциальность исходных данных на основе обеспечения точности прогнозов. Кроме того, дается эффективная схема, которая может измерять степень защиты конфиденциальности и точность прогнозирования, а также предоставляется разумный диапазон для выбора параметра дифференциальной конфиденциальности.
1. Введение
Интернет широко используется с момента появления Web 2.0, и человеческий образ жизни сильно изменился. Когда пользователь открывает веб-сайт покупок или приложение мобильного терминала, система рекомендаций с большим энтузиазмом перечисляет некоторые товары, которые могут быть ему интересны, на основе записи истории покупок, следа браузера, информации об оценке и т. Д. Сегодня существует множество подобных интеллектуальных приложений. Если значение неявной информации обратной связи, такой как исторические данные о просмотрах, исторические рейтинговые данные и временная метка оценки, может быть полностью использовано, точность прогнозирования может быть дополнительно улучшена.Модель разложения по сингулярным значениям (SVD) [1] — это своего рода общий метод совместной фильтрации для предоставления услуг персонализированных рекомендаций, и точность прогнозирования может быть повышена за счет учета информации о смещении пользователя и элемента. Как производная модель SVD, модель SVD ++ [2–4] обеспечивает лучшую точность рекомендаций за счет добавления неявной информации обратной связи, такой как фильмы, которые оценил пользователь, и конкретное значение оценки не имеет значения для такого рода информации.
Несмотря на то, что Интернет принес много удобства пользователям, их ежедневная медицинская информация, информация о транспорте, покупках и просмотре веб-страниц, которой сами пользователи не уделяют внимания, будет записываться, чтобы стать информационными ресурсами для интернет-компаний для определения дальнейших деловых возможностей и преимущества. Между тем, существует также риск утечки личной информации о конфиденциальности, потому что информация собирается. В последние годы часто возникает проблема утечки информации о личной конфиденциальности через Интернет.Например, в конкурсе Netflix Prize корпорация Netflix выпустила набор данных с помощью анонимной обработки. Однако исследователи из Техасского университета смогли определить реальных пользователей Netflix, связав рейтинг и отметку времени в этом наборе данных с общедоступной информацией в базе данных Internet Movie Database (IMDB). Другой пример: в 2012 году студент американского колледжа был признан гомосексуалистом своим соседом по комнате. Его сосед по комнате использовал сеть для поиска частоты доступа к гомосексуальным форумам и веб-сайтам.Совместная фильтрация на основе элементов, связанных в транзакции, выполняемой пользователем, приведет к увеличению сходства с предыдущими товарными транзакциями этого пользователя. Таким образом, злоумышленник может отслеживать похожие списки товаров, относящиеся к целевому пользователю (цели атаки), а затем определять, что является новым товаром. Когда в этих списках появляется похожий товар, злоумышленник может определить, что этот товар будет добавлен в записи целевого пользователя. Таким образом, все больше внимания уделяется тому, что может быть получено путем косвенного получения информации о личной конфиденциальности.
В 2006 году Dwork [5] предложил дифференциальную конфиденциальность (DP), и он может решить проблемы утечки личной информации о конфиденциальности, связавшись с базовыми знаниями, упомянутыми выше. Он имеет очень строгое определение и не имеет ничего общего с базовыми знаниями, поэтому может фундаментально устранить недостатки традиционной модели защиты конфиденциальности и является эффективным способом устранения возможности утечки личной информации о конфиденциальности из источника данных. Несмотря на то, что DP исследуется в течение 10 лет, основные научные достижения — это академические теории.Корпорация Apple всегда заявляла, что конфиденциальность пользователя должна быть главным приоритетом. В этом году на Всемирной конференции разработчиков (WWDC2016) Apple предложила приложение DP для сбора и анализа пользовательских данных с клавиатуры, Spotlight и Notes в iOS 10. Его цель — обеспечить качество обслуживания (QoS) [ 6], и что личная информация пользователя не будет утечка. Эта мера открывает новую новаторскую работу по DP на уровне приложений.
Сегодня в области интеллектуального анализа данных крайне необходимо улучшить QoS и обеспечить безопасность личной информации о конфиденциальности, избавив пользователей от беспокойства и предоставив достоверные и надежные данные, чтобы гарантировать получение эффективных знаний и правил [7, 8].
Вклад нашей работы резюмируется следующим образом. Во-первых, мы предлагаем три новых метода, которые применяют дифференциальную конфиденциальность к SVD ++ через градиентное возмущение, возмущение целевой функции и возмущение выходного сигнала. Во-вторых, даются строгие математические доказательства, чтобы гарантировать, что все они поддерживают дифференциальную конфиденциальность. В-третьих, мы сравниваем прогностическую точность, полученную с помощью наших алгоритмов дифференциальной конфиденциальности для SVD ++, с аналогичными методами для SVD и родственными методами, описанными в литературе, на двух реальных наборах данных и методе объективного возмущения для SVD ++.Результаты показывают, что наши методы дают лучшие результаты с точки зрения баланса конфиденциальности и прогнозирования. Наконец, мы предлагаем схему для выбора параметра защиты DP, чтобы сбалансировать силу конфиденциальности и точность прогнозирования, и разумный диапазон параметра DP может быть получен с помощью этой схемы.
Остальная часть статьи организована следующим образом. В разделе 2 рассматриваются некоторые работы, связанные с сохранением приватности в рекомендательных системах. Раздел 3 знакомит с моделью SVD ++ и моделью DP.В разделе 4 представлены три новых метода, которые применяют DP к SVD ++ с использованием градиентного возмущения, возмущения целевой функции и возмущения на выходе. В разделе 5 представлена экспериментальная оценка каждого метода на двух реальных наборах данных. Наконец, в Разделе 6 кратко излагаются ключевые аспекты нашей работы и кратко излагаются направления будущей работы.
2. Связанные работы
Защита конфиденциальности рекомендательных систем стала популярной темой исследований, когда Кэнни [11] в 2002 году предложил рекомендовать не использовать данные пользователя для получения финансовой выгоды.Применение DP к персонализированной технологии совместной фильтрации является актуальной темой исследований, поскольку DP считается лучшей технологией защиты конфиденциальности. Макшерри и Миронов [12] сначала применили DP к совместной фильтрации, и основная идея статьи заключалась в использовании механизма Лапласа для вычисления дифференциальной ковариационной матрицы частных элементов данных, которая использовалась для поиска соседей и вычисления рекомендации SVD. . Однако кажется неразумным, что при увеличении покупательной активности пользователя меньше вклад в ковариацию.Zhu et al. [13] рассмотрел проблемы конфиденциальности в контексте методов CF на основе соседства, предложив алгоритм совместной фильтрации частных соседей (PNCF). Hua et al. [14] сначала предложили, чтобы рекомендатели, которым не доверяют, не могли использовать рейтинги пользователя, позволяя пользователю выйти из процесса матричной факторизации (MF) или присоединиться к нему, а затем реализовать защиту DP, нарушив целевую функцию MF. Лю и др. [15] предложили метод, который применяет DP к байесовской апостериорной выборке с помощью стохастической градиентной ланжевеновской динамики (SGLD), избегая, таким образом, влияния гауссовского шума на все пространство параметров.Чжу и Сун [16] предложили рекомендацию, основанную на дифференциально-частных элементах, и рекомендацию для дифференциально-частных пользователей, а также разработали малочувствительную метрику для измерения сходства между элементами и пользователями. Ян и др. [17] предложил социально ориентированный алгоритм под названием DynaEgo для повышения производительности совместной фильтрации с сохранением конфиденциальности. DynaEgo использует принцип DP, а также социальные отношения, чтобы адаптивно изменять истории рейтингов пользователей, чтобы предотвратить утечку точной информации о пользователях.Джавидбахт и Венкитасубраманиам [18] предложили использовать DP в качестве метрики для количественной оценки конфиденциальности предполагаемого пункта назначения, а оптимальные вероятностные схемы маршрутизации исследуются в парадигмах одноадресной и многоадресной передачи. Балу и Фурон [19] предложили использовать методы создания эскизов для неявного предоставления гарантий DP, используя в своих интересах естественную случайность структуры данных, и этот подход хорошо подходит для крупномасштабных приложений. Берлиоз и др. [9] применили DP к модели скрытых факторов для каждого шага MF; однако они не предоставили строгих математических доказательств и нуждались в некоторой предварительной обработке необработанных данных; Таким образом, экспериментальные результаты показали, что для получения хорошей точности прогноза необходим большой параметр DP.
Чаудхури и др. [20] предложили общие методы для создания сохраняющих конфиденциальность приближений классификаторов, изученных с помощью (регуляризованной) минимизации эмпирического риска (ERM). Они предложили модель DP на основе выходного возмущения и возмущения целевой функции, но эти методы были применены к логистической регрессии и SVM в [20]. На основе вышеупомянутых работ модель SVD ++, которая является производной моделью SVD, является объектом исследования, и предлагаются три новых алгоритма, которые применяют DP к SVD ++ с использованием градиентного возмущения, возмущения целевой функции и возмущения на выходе.Чтобы повысить точность прогнозирования, SVD ++ учитывает связанную информацию о пользователе и элементе. Приведены теоретические доказательства и результаты экспериментов показывают, что новые частные алгоритмы SVD ++ обеспечивают лучшую точность прогнозирования по сравнению с той же обработкой DP традиционных MF [9] и SVD.
Параметр DP является ключом к мощности защиты конфиденциальности, но в текущем исследовании он был выбран исходя из опыта. Наконец, дается эффективная схема компромисса, которая может в определенной степени уравновесить защиту конфиденциальности и точность прогнозирования и может обеспечить разумный диапазон для выбора параметров.
3. Предварительные мероприятия
3.1. SVD ++ Модель
Матрица рейтингов «пользователь-элемент» — это основные данные, используемые системой рекомендаций. MF — хороший метод прогнозирования недостающих оценок при совместной фильтрации. Вкратце, MF включает факторизацию разреженной матрицы и поиск двух скрытых факторных матриц: первая — это пользовательская матрица для обозначения характеристик пользователя (то есть степень предпочтения пользователя для каждого фактора), а вторая — это матрица элементов, которая указывает на особенности предмета (т.е., вес предмета для каждого фактора). Затем недостающие рейтинги прогнозируются на основе внутреннего произведения этих двух факторных матриц.
Позвольте быть рейтинговой матрицей, содержащей оценки пользователей для элементов. Каждый элемент матрицы относится к рейтингу пользователя для элемента. Учитывая меньшее измерение, MF факторизует необработанную матрицу на две матрицы скрытых факторов: одна — матрица факторов пользователя, а другая — матрица факторов элементов. Факторизация выполняется таким образом, что она аппроксимируется как внутреннее произведение и (т.e.,), и каждый наблюдаемый рейтинг аппроксимируется (также называемым прогнозируемым значением). Однако фиксирует только отношения между пользователем и элементом. В реальном мире на наблюдаемый рейтинг могут влиять предпочтения пользователя или характеристики товара. Другими словами, взаимосвязь между пользователем и элементом может быть заменена смещенной информацией. Например, предположим, что кто-то хочет предсказать рейтинг фильма «Бэтмен» пользователем «Том». Теперь средний рейтинг всех фильмов на одном сайте — 3.5, а Том обычно дает оценку на 0,3 ниже среднего, потому что он критичный человек. Фильм «Бэтмен» лучше, чем средний фильм, поэтому его обычно оценивают на 0,2 балла выше среднего. Поэтому, учитывая информацию о предвзятости пользователя и фильма, при выполнении вычислений прогнозируется, что Том даст фильму «Бэтмен» оценку 3,4. Информация о предвзятости пользователя и элемента может более объективно отражать истинность рейтинга. SVD — это типичная технология факторизации (известная как базовый предиктор в некоторых работах в литературе).Таким образом, прогнозируемая оценка изменяется на общую среднюю оценку и указывает наблюдаемые отклонения пользователя и элемента, соответственно.
Целью рекомендательной системы является повышение точности прогнозирования. Фактически, пользователь будет оставлять некоторую неявную обратную связь, такую как исторические данные о просмотрах и исторические рейтинговые данные, в веб-приложениях до тех пор, пока любой пользователь оценил элемент, независимо от того, каково конкретное значение рейтинга. В определенной степени операция рейтинга уже отражает степень предпочтения пользователя в отношении каждого скрытого фактора.Следовательно, модель SVD ++ вводит информацию неявной обратной связи на основе SVD; то есть он добавляет факторный вектор () для каждого элемента, и эти факторы элемента используются для описания характеристик элемента, независимо от того, был ли он оценен. Затем моделируется факторная матрица пользователя, чтобы можно было получить лучшую предвзятость пользователя. Таким образом, прогнозный рейтинг модели SVD ++ — это количество элементов, оцененных пользователем.
Для получения оптимального и регуляризованную квадратичную ошибку можно минимизировать следующим образом.Целевая функция модели SVD ++ — это параметр регуляризации для регуляризации факторов и предотвращения переобучения.
Что касается, и, могут использоваться два метода [1]: быстрая оценка эмпирического правдоподобия (т.е. формула (4)) и стохастический градиентный спуск (SGD). Учитывая скорость сходимости и влияние ошибки на каждой итерации, в этой статье используется первый метод.
В формуле (4), когда значение будет равно 1; в противном случае будет 0.Кроме того, средние значения стремятся к нулю с использованием параметров регуляризации, и, которые определяются путем перекрестной проверки.
SGD и метод альтернативных наименьших квадратов (ALS) — это два общих алгоритма оптимизации, используемых для решения целевой функции (формула (4)). Алгоритм SGD представляет собой комбинацию случайности и оптимизации и не требует вычисления точного значения, но использует объективную оценку.
Стохастический градиентный спуск . Позвольте представить ошибку между истинным и прогнозируемым значениями (т.е.,). — любой элемент пользовательской матрицы, — любой элемент матрицы элементов, а ошибка SVD ++ может быть выражена как. В SGD факторы изучаются путем итеративной оценки ошибки для каждой оценки, а векторы пользователей и элементов обновляются, делая шаг в направлении, противоположном градиенту регуляризованной функции потерь. Тогда правила обновления для обоих и могут быть сформулированы следующим образом: где константа — скорость обучения и может определять скорость минимизации ошибок.
Чередование наименьших квадратов . В ALS проблема оптимизации может быть решена итеративно. Одна скрытая матрица (скажем) на каждой итерации фиксируется, а затем целевая функция SVD ++ (формула (3)) преобразуется в задачу выпуклой оптимизации, где решение (скажем) может быть эффективно найдено. Точно так же можно найти другую скрытую матрицу. Наконец, эти шаги повторяются до тех пор, пока не будет достигнута сходимость.
3.2. Дифференциальная конфиденциальность
Защита конфиденциальности алгоритма совместной фильтрации должна не только снизить риск утечки частной информации из исходных данных, но и обеспечить доступность данных.DP определяет чрезвычайно строгую модель атаки и обеспечивает строгое количественное представление и доказательство риска утечки частной информации. Объем фоновых знаний, которыми обладает злоумышленник, не имеет значения, поскольку DP защищает информацию о потенциальной конфиденциальности пользователя, добавляя шум, чтобы помешать злоумышленнику вывести защищенную информацию пользователя, даже если злоумышленник знает другую информацию. Злоумышленник не знает, существует ли определенная информация о пользователе в исходном наборе данных.Поскольку DP может привести к результатам рекомендации, не связанным с информацией в исходном наборе данных, DP применяется к системе рекомендаций на основе совместной фильтрации для предотвращения косвенного удержания личной личной информации.
Определение 1 (-дифференциальная конфиденциальность). Для любых двух смежных рейтинговых матриц «пользовательский элемент» и, которые различаются не более чем на один балл, если любой возможный выходной результат удовлетворяет формуле (6), случайный алгоритм обеспечивает -дифференциальную конфиденциальность.где — вероятность раскрытия частной информации и контролируется случайностью алгоритма; это не зависит от исходных знаний злоумышленника. Параметр используется для обозначения степени защиты конфиденциальности, где меньшее значение указывает на более высокую степень защиты конфиденциальности. Кроме того, две матрицы рейтингов различаются не более чем на один балл, и их также можно понимать как две матрицы, которые отличаются не более чем одной записью пользователя.
Ключевой технологией защиты DP является добавление шума, который удовлетворяет механизму Лапласа или экспоненты [21].Первое применяется к результатам для числовой защиты, а второе — для нечисловой защиты. Количество шума зависит от чувствительности функции и параметра защиты конфиденциальности. Чувствительность функции заключается в том, что максимальная разница в выходных результатах возникает из двух наборов данных, которые отличаются только одной записью. Чувствительность делится на общую и локальную. Первое определяется самой функцией, и разные функции будут иметь разную глобальную чувствительность.Последнее определяется конкретным заданным набором данных и самой функцией. Формальное определение глобальной чувствительности, механизма Лапласа и двух композиционных свойств DP даны следующим образом.
Определение 2 (глобальная чувствительность). Для любых двух смежных рейтинговых матриц «пользовательских элементов», которые различаются не более чем на один балл, для любой функции -глобальная чувствительность функции равна, где — измерение функции, — прогнозируемое значение элемента и обозначает — норма.
Если глобальная чувствительность функции слишком велика для вычисления среднего, медианного и т. Д., Необходимо добавить достаточно шума для защиты конфиденциальности, но это приведет к снижению доступности данных. Чтобы решить эту проблему, Nissim et al. [22] предложили местную чувствительность. В этой статье принята глобальная чувствительность, потому что чувствительность нашей функции мала.
Dwork et al. [21] продемонстрировали, что механизм Лапласа может быть использован для получения дифференцированной конфиденциальности.Основная идея состоит в том, чтобы добавить шум, выбранный из распределения Лапласа, с откалиброванной шкалой. Функция плотности вероятности распределения Лапласа со средним значением 0 и масштабом равна
В этой статье она обозначается как.
Теорема 3. Для любых двух смежных рейтинговых матриц «пользовательский элемент», которые отличаются не более чем на один балл, для любой функции (ее глобальная чувствительность равна), если случайный шум и алгоритм удовлетворяют, алгоритм обеспечивает -дифференциальную конфиденциальность .
Эта работа также опирается на механизм -norm [23], который позволяет откалибровать шум по -чувствительности оцениваемой функции.
В этой статье все выходные данные новых алгоритмов конфиденциальности являются числовыми, поэтому для достижения DP используется механизм Лапласа.
Состав . Обычно сложная проблема сохранения конфиденциальности требует многократного применения технологии защиты DP. В этом случае, чтобы гарантировать, что уровень защиты конфиденциальности всего процесса контролируется в рамках бюджета, заданного параметром защиты конфиденциальности, требуются два важных свойства композиции самого DP.Одно — свойство последовательной композиции, а другое — свойство параллельной композиции [21]. Свойство последовательной композиции гарантирует, что несколько случайных алгоритмов распределяются в бюджете DP (например,), и каждый алгоритм поддерживает -различную конфиденциальность. Для того же набора данных алгоритм композиции этих алгоритмов будет поддерживать сумму общего DP бюджета конфиденциальности (т.е. он будет поддерживать дифференцированную конфиденциальность). Свойство параллельной композиции означает, что для непересекающегося набора данных алгоритм композиции этих алгоритмов будет поддерживать максимальный общий бюджет конфиденциальности DP (т.е.е., он будет поддерживать дифференцированную конфиденциальность).
4. Сохранение конфиденциальности SVD ++
Интуитивно понятная идея состоит в том, что после использования традиционного MF для решения этой проблемы должны появиться некоторые скрытые функции, которые определяют, как пользователь оценивает элемент. Однако, если злоумышленник обладает некоторыми базовыми знаниями, он или она может получить личные данные пользователя из исходной матрицы оценок. Например, злоумышленник может сделать вывод, что пользователю нравятся определенные типы фильмов, но пользователь не хочет, чтобы другие люди знали об этом.Таким образом, наша цель — защитить исходную рейтинговую матрицу за счет разумного использования DP. Основная идея SVD ++ состоит в том, чтобы проанализировать предпочтения пользователя для каждого фактора и степень, в которой фильм содержит различные факторы из наблюдаемых оценок и некоторой неявной обратной связи от пользователей, а затем спрогнозировать недостающую оценку. В этой статье, учитывая тот факт, что SVD может обеспечить хорошую точность прогнозирования, мы гибко применяем DP к SVD ++. Аналогично традиционному MF, процесс SVD ++ также можно разделить на следующие четыре этапа: (i) ввод исходной рейтинговой матрицы (ii) процесс факторизации SVD ++ с помощью SGD или ALS (iii) вывод матрицы характеристик пользователя и Матрица характеристик предмета (iv) Прогноз рейтинга (i.д., рекомендация)
В [9, 10] DP применялся к этим четырем этапам, и было необходимо выполнить некоторую предварительную обработку исходной матрицы. Работа [10] была расширением [9], и несколько алгоритмов в этих двух работах одинаковы. По сравнению с [9, 10] наши алгоритмы имеют три преимущества. Во-первых, наши алгоритмы не выполняют никакой предварительной обработки с DP, чтобы гарантировать доступность исходных данных. Во-вторых, наши алгоритмы используют SVD ++ для достижения MF, потому что модель SVD ++ учитывает предвзятость пользователя и элемента и неявную информацию обратной связи пользователей, чтобы повысить точность рекомендаций.В-третьих, объективное возмущение ALS для SVD ++ исходит из идеи [20] и дает лучшие экспериментальные результаты на двух наборах данных, чем [9, 10].
4.1. SGD с градиентным возмущением для SVD ++
SGD с градиентным возмущением для SVD ++ применяет DP к ошибке каждой итерации в алгоритме оптимизации SGD. Подробное описание процесса см. В алгоритме 1.
|