imagination_gogo
imagination_gogo

知识图谱赵军学习笔记（一）--概论

什么是知识图谱

  • 知识的种类
  1. 陈述性知识（描述性知识）
    描述客观事物的性状等静态信息
    分为事物，概念，命题3个层次
    事物是特定的事或物
    概念是对一类事物本质特性的反映
    命题是对事物之间关系的陈述
    1. 概括性命题
      描述概念之间普遍关系
    2. 非概括性命题
      描述特定事物之间的关系
  2. 过程性知识（程序性知识）
    描述问题如何求解等动态信息
    1. 规则
      描述事物的因果关系
    2. 控制结构
      描述问题的求解步骤
      图谱将传统基于浅层语义分析的信息服务范式提升到基于深层语义的知识服务
  • 知识和结构化数据
  1. 本体
    抽象的概念表示
  2. 数据库
    电脑表示和存储计算机应用中的数据的产品
  3. 框架
    数据的描述和定义
    上下位知识： 大熊猫是猫科动物
    属性之间的关系：子女和父母逆关系
    属性的约束：人的父母只有两个
    框架和数据构成完整的知识系统
    知识是认知，图谱是载体，数据是实现

知识图谱发展历程

人工智能：推理、分析、预测、思考
语义网：推理

知识图谱类型

  • 知识的主客观性
  1. 事实性知识：确定性的，不随状态的变化而改变的知识（中国，首都，北京）
  2. 主观性知识：某个人或群体的情感信息
    苹果手机太贵了
  • 知识的变化性质
  1. 静态知识：不随时间，空间的变化而变化 出生日期
  2. 动态知识：随时间、空间的变化而变化 美国总统，上一任是奥巴马，下一任是特朗普事件是动态知识的重要组成部分
  • 按场景分类
  1. 领域知识：领域特有的知识，法律，金融
  2. 百科知识：涵盖各行业、领域的通用知识 ，如人物，机构，地点
  3. 场景知识：某个特定场景下或者需要完成某个任务市需要的知识 如订机票、盖房子等
  4. 语言知识：语言层面的知识，如减肥和瘦身是同义词
  5. 常识知识：大家都认可的知识 如鸟会飞
    举例：
    wordnet:语言知识图谱，由同义词和描述同义词的关系构成
    Hownet:语言认知知识图谱，基于词语义原，揭示词语更小的语义单元的含义。
    cyc和conceptnet：常识知识图谱
    领域知识图谱：电影知识图谱、医学知识图谱

知识图谱生命周期

  1. 知识体系构建
    资源描述框架（RDF）
    • 资源：能够使用RDF表示的对象称之为资源，包括实体、事件和概念等
    • 谓词：描述资源本身的特征和资源之间的关系
    • 陈述：RDF三元组<主体、谓词、宾语>
  2. 知识获取
    • 结构化数据
      表格、数据库
      优点是置信度高，数据质量可靠
      缺点是规模小，不易获得
    • 半结构数据
      不能通过固定的模板直接获得的结构化数据
      优点：置信度高，规模大
      缺点：样式多变，难以用模板获取
    • 非结构化文本数据
      文本信息抽取
      主要任务
      1. 实体识别
        姚明1981年出生在上海
        姚明-》人名
        1981-》时间词
        上海-》地名
        命名实体识别：
        3大类：实体、时间、数字
        7小类：人名、地名、机构名、时间、日期、货币和百分比
        领域实体
      2. 实体消歧
        消除指定实体的歧义
        实体链接：给定文本中的某一个实体指称项链接到已有图谱的某个实体上
        实体聚类：通过聚类的方法消除语料中所有同一实体指称项的歧义
      3. 关系抽取
        按抽取目标的不同，分为：
        • 关系分类
          判别一句话中两个实例之间的语义关系
          比如姚明，上海，判断是否具有出生地的关系
        • 属性抽取
          把这句话中的表达出生地的属性值抽取出来，即上海
        • 关系实例抽取
          判断实体间关系和抽取满足该关系的知识实例数据
          例如上下位关系等
      4. 事件抽取
        从描述事件信息的文本中抽取出用户感兴趣的事件信息并以结构化的形式呈现出来
        是发生在某个特定的时间点或者时间段、某个特定的地域范围内，由一个或者多个角色参与的，一个或者多个动作组成的事情或者状态的改变
        因为自然语言表达的歧义性和灵活性，很有挑战
        方法有：
        基于模式匹配的事件抽取
        基于机器学习的事件抽取
  3. 知识融合
    知识融合是对不同来源、不同语言或不同结构的知识进行融合，从而对已有知识图谱进行补充、更新和去重。
    • 知识体系的融合
      两个或多个异构知识体系的融合
      相同类别，属性，关系进行映射
    • 实例级别的融合
      两个不同知识图谱中的实例
      竖直方向的融合
      融合高层通用本体与底层领域本体或实例数据
      水平方向的融合
      融合同层次的知识图谱，形成实例数据的互补
  4. 知识存储
    • rdf:搜索的效率低下，提升效率，使用六重索引
    • 图数据库neo4j：完善的图查询语言，支持大多数的图挖掘算法，缺点是数据更新慢，大节点的处理开销大
  5. 知识推理
    用于补全
    传统逻辑的方法，规则冲突
    表示学习的方法，分布式表示的语义向量相似度计算，缺点是不可解释，缺乏语义约束
    用于自动问答的推理
  6. 知识应用

    • 智能搜索

      • 返回相关的大量信息
      • 用户意图理解
        姚明运动员，搜索返回包含姚明的网页，知识图谱识别查询词的实体和属性，将姚明和运动员关联，得出用户查询的篮球运动员姚明。

    • 自动问答
      实体和关系推理得到答案
      屠呦呦是哪里人？实体：屠呦呦 哪里人（国籍）

    • 推荐
      实体的关系推荐产品
      如战狼2，右侧出现相似产品推荐，通过知识图谱的类型标签推荐的

    • 决策支持
      描述出来，描述知识的演变过程和发展规律，从而为研究和决策提供准确、可追踪、可解释、可推理的知识数据。如，通过对数据的一致性检验识别银行交易中的欺诈行为。

知识图谱与深度学习

深度学习的本质是通过多层神经网络，自动学习处理对象的抽象表示，以便在具体任务中有更好的性能。
基于神经元的深度学习方法把处理对象表示为数值（标量/向量/矩阵），并通过数值计算（数值相乘、开方、乘以非线性函数）完成各种语义计算任务。
局限：
1.依赖大量标注数据
2.不可解释过程不可调控
3.端到端的学习难以加入先验知识

  • 词表示学习
    基于深度学习的自然语言处理方法
  • 知识图谱表示学习
    将知识图谱中的用符号表示的实体和关系投影到低维向量空间中，这种表示体现实体和关系的语义信息
  • 神经符号机
    神经网络与符号相结合的技术

你可能感兴趣的:(NLP)

  • 百度快速收录2025最新科普 SEORoal 百度
    跨境物流的智能突围战宁波某RCEP跨境物流平台接入214维特征矩阵后：✅'智能清关系统’72小时冲进TOP3✅'东盟电子报关’长尾词覆盖量暴涨4.2倍✅日均有效询盘突破300+技术三板斧：标题智能提取引擎（支持38种语义变异）动态阻抗参数混淆（误差≤0.15μΩ）实时工商特征同步（每2小时更新）2025生存指南：采用神经网络语义映射（NLP准确率98.2%）部署质量监控系统（误差率≤0.15%）加
  • 数据标注工具及其对预训练模型性能的影响 AGI大模型与大数据研究院 DeepSeekR1&大数据AI人工智能计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    1.背景介绍1.1预训练模型的崛起近年来，预训练模型（Pre-trainedModels）在自然语言处理（NLP）领域取得了显著的成功。这些模型通过在大规模无标注文本数据集上进行预训练，学习到丰富的语言知识和语义表示，并在下游任务中展现出优异的性能。BERT、GPT-3等预训练模型的出现，标志着NLP领域进入了一个新的时代。1.2数据标注的重要性尽管预训练模型展现出强大的能力，但它们仍然需要针对特
  • 大语言模型（LLMs）全面学习指南（非常详细）零基础入门到精通，收藏这一篇就够了 网络安全大白 科技程序员人工智能语言模型人工智能自然语言处理
    大语言模型（LLMs）作为人工智能（AI）领域的一项突破性发展，已经改变了自然语言处理（NLP）和机器学习（ML）应用的面貌。这些模型，包括OpenAI的GPT-4o和Google的gemini系列等，已经展现出了在理解和生成类人文本方面的令人印象深刻的能力，使它们成为各行各业的宝贵工具。如下这份指南将涵盖LLMs的基础知识、训练过程、用例和未来趋势……一.WhatareLargeLanguage
  • Python API接口 君王的羔羊 PythonAIpython
    人工智能机器人EverydayWechat老李API图灵机器人：http://www.turingapi.com/（需求实名制认证，并每天免费数量只有100条）青云客智能聊天机器人：http://api.qingyunke.com/（无须申请，无数量限制，但有点智障，分手神器。分手神器，慎用）智能闲聊（腾讯）：https://ai.qq.com/product/nlpchat.shtml(申请使用
  • 自然语言处理（NLP）技术介绍 风吹晚风悠 gpt人工智能nlp自然语言处理
    自然语言处理（NLP）是一种涉及计算机和人类语言之间交流的技术。NLP技术可以应用于多个领域，例如机器翻译、情感分析、文本分类、问答系统等。以下是一些NLP技术的示例：机器翻译：NLP技术可用于将一个语言的文本自动翻译成另一个语言。例如，GoogleTranslate和百度翻译等在线翻译工具就使用了NLP技术。情感分析：NLP技术可用于分析文本中的情感和情感倾向。这可以帮助企业了解公众对其产品或服
  • 基于Transformer的医学文本分类：从BERT到BioBERT Evaporator Core 人工智能#深度学习#DeepSeek快速入门transformer分类bert
    随着自然语言处理（NLP）技术的快速发展，Transformer模型在文本分类、情感分析、机器翻译等任务中取得了显著成果。在医学领域，文本数据（如电子病历、医学文献、临床报告）具有高度的专业性和复杂性，传统的NLP方法往往难以处理。Transformer模型，尤其是BERT及其变体，通过预训练和微调的方式，能够有效捕捉医学文本中的语义信息，为医学文本分类提供了强大的工具。本文将探讨Transfor
  • TF-IDF：文本挖掘中的关键词提取利器 巷955 tf-idf
    引言在自然语言处理（NLP）和文本挖掘中，TF-IDF是一种常用的技术，用于评估一个词在文档中的重要性。它不仅在信息检索领域广泛应用，还在文本分类、关键词提取等任务中发挥着重要作用。本文将详细介绍TF-IDF的原理，并通过一个实际的代码示例来展示如何使用TF-IDF从《红楼梦》中提取核心关键词。1.什么是TF-IDF？TF-IDF是一种统计方法，用于评估一个词在文档中的重要性。它由两部分组成：-T
  • AI 之路——数据分析（1）Pandas小结与框架整理 Robin_Pi 机器学习之路数据分析数据分析python人工智能可视化
    目录1.写在前面1.1AI之路：1.2工具/技能：2.数据分析2.1数据分析的流程2.2数据的基本操作方法2.2.1Pandas概览2.2.2使用Pandas操作数据的核心(1)选择数据(2)操作数据2.2.2数据详解3.写在最后1.写在前面主要是阶段性框架总结1.1AI之路：数据分析——机器学习——深度学习——CV/NLP1.2工具/技能：Python、NumPy、Pandas、Matplotl
  • 大模型（DeepSeek等）是否会动摇AI工程师的工作？ 点我头像干啥 Ai深度学习人工智能AI编程计算机视觉
    引言近年来，人工智能（AI）领域取得了突飞猛进的发展，尤其是大模型（如GPT-3、BERT、DeepSeek等）的出现，极大地推动了自然语言处理（NLP）、计算机视觉（CV）等领域的进步。大模型凭借其强大的泛化能力和广泛的应用场景，逐渐成为AI领域的核心技术之一。然而，随着大模型的普及，一个备受关注的问题浮出水面：大模型是否会动摇AI工程师的工作？本文将从多个角度探讨这一问题，分析大模型对AI工程
  • 深度学习 bert与Transformer的区别联系 Humingway 深度学习berttransformer
    BERT（BidirectionalEncoderRepresentationsfromTransformers）和Transformer都是现代自然语言处理（NLP）中的重要概念，但它们代表不同的层面。理解这两者之间的区别与联系有助于更好地掌握它们在NLP任务中的应用。TransformerTransformer是一种特定的深度学习模型架构，由Vaswani等人在2017年的论文《Attenti
  • PyTorch深度学习框架进阶学习计划 - 第21天：自然语言处理基础 凡人的AI工具箱 深度学习pytorch学习人工智能AI编程AIGC自然语言处理
    PyTorch深度学习框架进阶学习计划-第21天自然语言处理基础今天我们将深入学习自然语言处理(NLP)的基础概念，重点关注词嵌入技术、序列建模原理以及主流模型之间的区别和优缺点。通过理解这些基础知识，你将能够更好地应用PyTorch构建NLP应用。1.词嵌入原理与实现词嵌入(WordEmbeddings)是NLP中的核心概念，它将单词映射到连续向量空间，使得语义相似的词在向量空间中距离较近。为什
  • AI基于深度学习的代码搜索案例（一） 人工智能MOS 人工智能深度学习机器学习
    1.背景近年来，人工智能逐渐进入各个领域并展现出了强大的能力。在计算机视觉领域，以ImageNet为例，计算机的图像分类水平已经超过了人类。在自然语言处理(NLP)领域，BERT、XLNet以及MASS也一遍遍的刷新着任务榜单。当人工智能进入游戏领域，也取得了惊人的成绩，在Atari系列游戏中，计算机很容易超过了大部分人类，在围棋比赛中，AlphaGo和AlphaZero也已经超越了人类顶尖棋手。
  • DeepSeek在供热行业中的应用 杨航 AI 人工智能深度学习python机器学习算法
    目录引言1.1DeepSeek技术概述1.2供暖行业业务挑战1.3DeepSeek在供暖行业的应用前景DeepSeek技术基础2.1深度学习与机器学习2.2自然语言处理（NLP）2.3图像识别与处理2.4数据挖掘与分析供暖行业应用场景3.1设备监控与维护3.1.1设备状态监控3.1.2故障预测与诊断3.1.3维护计划优化3.2能源管理与优化3.2.1能耗数据分析3.2.2热负荷预测3.2.3节能优
  • 应用商店评论分析实战：Python逆向工程破解Google Play加密接口与NLP建模 西攻城狮北 物联网python爬虫实战案例
    一、项目概述在移动互联网时代，应用商店中的用户评论成为了开发者优化应用、提升用户体验的重要依据。然而，GooglePlay等应用商店对评论数据进行了加密处理，直接爬取难度较大。本文将介绍如何使用Python逆向工程破解GooglePlay的加密接口，实现对应用商店评论的实时采集，并结合NLP（自然语言处理）技术进行情感分析和主题建模，为开发者提供有价值的数据支持。二、技术选型（一）Python逆向
  • Transformer大模型实战 对比ALBERT与BERT AI天才研究院 AI大模型企业级应用开发实战Python实战DeepSeekR1&大数据AI人工智能大模型javapythonjavascriptkotlingolang架构人工智能大厂程序员硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLM系统架构设计软件哲学Agent程序员实现财富自由
    文章标题在当今人工智能领域的迅速发展中，Transformer大模型无疑成为了自然语言处理（NLP）领域的璀璨明星。为了深入理解这一技术，我们特别撰写了《Transformer大模型实战对比ALBERT与BERT》这篇文章，旨在为广大读者提供一场关于Transformer模型及其实战应用的技术盛宴。关键词：Transformer，BERT，ALBERT，自然语言处理，深度学习，模型对比，实战应用摘
  • Diffusion Transformer与Differential Transformer：技术创新与应用前景 AI大模型learner 深度学习人工智能机器学习
    引言Transformer架构已成为自然语言处理（NLP）和计算机视觉（CV）领域的主流技术。随着技术的不断发展，DiffusionTransformer和DifferentialTransformer等新型架构逐步涌现，为生成模型和注意力机制带来了突破性的进展。本文旨在从科学视角探讨这两种模型的核心原理、技术特点及应用前景。DiffusionTransformer概念与原理DiffusionTr
  • Vision Transformer (ViT)：将Transformer带入计算机视觉的革命性尝试（代码实现） 阿正的梦工坊 DeepLearningDLPaperstransformer计算机视觉深度学习
    VisionTransformer(ViT)：将Transformer带入计算机视觉的革命性尝试作为一名深度学习研究者，如果你对自然语言处理（NLP）领域的Transformer架构了如指掌，那么你一定不会对它在序列建模中的强大能力感到陌生。然而，2021年由GoogleResearch团队在ICLR上发表的论文《ANIMAGEISWORTH16x16WORDS:TRANSFORMERSFORIM
  • NLP常见任务专题介绍（3）-垂直领域的聊天机器人搭建详细教程 AI专题精讲 大模型专题系列自然语言处理机器人人工智能
    一、整体流程构建垂直领域的聊天机器人需要结合特定行业的需求，采用自然语言处理和机器学习等技术。以下是一个典型的构建流程及相关技术实现：需求分析：明确机器人需要解决的问题范围和功能，例如客户服务、信息查询等。数据收集与预处理：数据收集：从行业相关的网站、论坛、数据库等渠道获取大量专业领域的文本数据。数据清洗：去除广告、无意义回复等噪声数据，确保数据质量。数据标注：对文本进行意图识别和实体识别的标注，
  • 基于 DeepSeek 的自动化运维（适合企业降本增效） Real Man★ 运维自动化
    基于DeepSeek的自动化运维解决方案DeepSeek凭借其强大的AI能力（如自然语言处理、时序预测、异常检测），可显著提升运维效率，实现从监控告警到故障自愈的全流程自动化。以下是结合企业级场景的实战方案：一、核心应用场景与实现路径智能监控与告警日志分析：使用DeepSeek-NLP模型自动解析日志，提取关键错误模式（如OutOfMemory、Timeout）。python复制fromdeeps
  • Adapter-Tuning：高效适配预训练模型的新任务 花千树-010 TuningpromptembeddingAIGC机器学习chatgptpytorch
    1.引言近年来，预训练语言模型（PLM）如BERT、GPT和T5在自然语言处理（NLP）任务中取得了巨大成功。然而，Fine-Tuning这些大型模型通常需要大量计算资源，并且每个新任务都需要存储一套完整的微调权重，这导致存储成本高昂。Adapter-Tuning作为一种高效的模型调优方法，允许我们在预训练模型的基础上，通过引入轻量级“Adapter”层来进行任务特定的学习。Adapter层只占用
  • Adobe Firefly 技术浅析（二）：Transformer生成模型 爱研究的小牛 AIGC——图像transformer深度学习人工智能AIGC机器学习
    AdobeFirefly的图像生成技术不仅依赖于生成式对抗网络（GAN），还引入了基于Transformer的生成模型。Transformer模型在处理长距离依赖关系和生成复杂图像结构方面具有显著优势。1.基本原理1.1Transformer模型简介Transformer模型最初由Vaswani等人在2017年提出，用于自然语言处理（NLP）任务。其核心是自注意力机制（Self-Attention
  • 如何增强机器学习基础，提升大模型面试通过概率 weixin_40941102 机器学习面试人工智能
    我的好朋友没有通过面试所以我给我的好朋友准备了这一篇学习路线随着大模型（如Transformer、GPT-4、LLaMA等）在自然语言处理（NLP）、计算机视觉（CV）和多模态任务中的广泛应用，AI行业的招聘竞争愈发激烈。面试官不仅要求候选人熟练使用深度学习框架（如PyTorch、TensorFlow），还希望他们具备扎实的机器学习理论基础、算法实现能力和实际问题解决经验。本文将从机器学习基础入手
  • 大模型问答机器人如何实现自然交互 杭州大厂Java程序媛 DeepSeekR1&AI人工智能与大数据javapythonjavascriptkotlingolang架构人工智能
    大模型问答机器人如何实现自然交互关键词：大模型问答机器人,自然语言处理(NLP),深度学习,深度对话,多轮对话,意图理解,信息检索,逻辑推理1.背景介绍1.1问题由来近年来，随着人工智能技术的飞速发展，自然语言处理(NLP)领域取得了巨大的突破。特别是深度学习模型在自然语言理解和生成方面的卓越表现，使得基于深度学习的大模型问答机器人（LargeLanguageModel-basedChatbots
  • 各大AI平台优缺点分析：选对工具，让AI更高效 JXY_AI 人工智能生活AI编程
    人工智能（AI）技术的快速发展，催生了许多强大的AI平台，帮助开发者、企业和研究人员更高效地构建和部署AI应用。然而，不同的AI平台各有优缺点，如何选择合适的平台是许多从业者关心的问题。本文将分析几大主流AI平台的特点，以便大家根据需求做出更好的选择。1.OpenAI(ChatGPT、DALL·E、Codex)优点：自然语言处理（NLP）能力强：ChatGPT在对话、文本生成、翻译等方面表现优异，
  • Transformer 的原理是什么？ 玩人工智能的辣条哥 人工智能transformer深度学习人工智能
    环境：Transformer问题描述：Transformer的原理是什么？通俗易懂一点。解决方案：Transformer是一种基于注意力机制（AttentionMechanism）的深度学习架构，最初由Vaswani等人在2017年的论文《AttentionisAllYouNeed》中提出。它在自然语言处理（NLP）领域取得了巨大成功，并逐渐扩展到计算机视觉（CV）和其他领域。Transforme
  • LLM大模型技术实战4：热门开源LLMs对比和选型 大模型学习教程 机器学习开源人工智能职场和发展
    一、大语言模型的特点和能力LLM(LargeLanguageModel,大型语言模型)是指那些规模庞大、参数数量众多的深度神经网络模型，用于理解和生成自然语言文本。在自然语言处理（NLP）领域有着广泛的应用，因其强大的语言理解和生成能力，能够处理各种复杂的文本任务。1.1主要特点架构特点LLM主要基于Transformer架构，Transformer通过自注意力机制（Self-Attention）
  • 大模型面试--大模型（LLMs）基础面 TAICHIFEI 大模型面试语言模型人工智能
    大模型（LLMs）基础面1.目前主流的开源模型体系有哪些？目前主流的开源大模型体系有以下几种：1.Transformer系列Transformer模型是深度学习中的一类重要模型，尤其在自然语言处理（NLP）领域。以下是一些主流的Transformer模型：GPT系列GPT-2和GPT-3：由OpenAI开发的生成式预训练变换器模型，用于生成高质量的文本。GPT-Neo和GPT-J：由Eleuthe
  • 【大数据】大数据处理-Lambda架构-Kappa架构 weixin_33884611 大数据系统架构
    大数据处理-Lambda架构-Kappa架构elasticsearch-headElasticsearch-sqlclientNLPchina/elasticsearch-sql:UseSQLtoqueryElasticsearch360企业安全V5.6SP1,杨军01,您好!lamda架构_百度搜索Lambda架构vsKappa架构-数据源博客-CSDN博客数据系统架构——Lambdaarchi
  • 使用OpenAI API实现自然语言处理应用 shuoac 自然语言处理人工智能python
    使用OpenAIAPI实现自然语言处理应用技术背景介绍随着人工智能技术的不断发展，自然语言处理（NLP）在各种应用中的地位越来越重要。从自动文本生成、聊天机器人到智能搜索引擎，NLP技术的应用场景非常广泛。而OpenAI提供的API使得开发者可以轻松地将先进的NLP模型集成到他们的应用中。核心原理解析OpenAI的API基于强大的GPT（GenerativePre-trainedTransform
  • 《自然语言处理实战入门》深度学习 ---- 预训练模型初探 shiter AI重制版】预训练NLP自然语言处理
    文章大纲前言预训练模型简介语言表示学习神经上下文编码器为何需要预训练模型发展历史主流预训练模型预训练模型与分类将PTMs应用至下游任务微调策略未来研究方向参考文献前言随着深度学习的发展，各种神经网络被广泛用于解决自然语言处理(NLP)任务，如卷积神经网络(convolutionalneuralnetworks,CNNs)、递归神经网络(neuralnetworks,RNNs)、基于图的神经网络(g
  • Spring的注解积累 yijiesuifeng spring注解
    用注解来向Spring容器注册Bean。   需要在applicationContext.xml中注册： <context:component-scan base-package=”pagkage1[,pagkage2,…,pagkageN]”/>。 如：在base-package指明一个包    <context:component-sc
  • 传感器 百合不是茶 android传感器
    android传感器的作用主要就是来获取数据,根据得到的数据来触发某种事件   下面就以重力传感器为例;   1,在onCreate中获得传感器服务   private SensorManager sm;// 获得系统的服务 private Sensor sensor;// 创建传感器实例 @Override protected void
  • [光磁与探测]金吕玉衣的意义 comsci
          这是一个古代人的秘密:现在告诉大家       信不信由你们:       穿上金律玉衣的人,如果处于灵魂出窍的状态,可以飞到宇宙中去看星星       这就是为什么古代
  • 精简的反序打印某个数 沐刃青蛟 打印
    以前看到一些让求反序打印某个数的程序。 比如：输入123，输出321。   记得以前是告诉你是几位数的，当时就抓耳挠腮，完全没有思路。   似乎最后是用到%和/方法解决的。   而今突然想到一个简短的方法，就可以实现任意位数的反序打印（但是如果是首位数或者尾位数为0时就没有打印出来了）   代码如下： long num, num1=0;
  • PHP：6种方法获取文件的扩展名 IT独行者 PHP扩展名
      PHP：6种方法获取文件的扩展名   1、字符串查找和截取的方法   1 $extension = substr ( strrchr ( $file ,  '.' ), 1); 2、字符串查找和截取的方法二   1 $extension = substr
  • 面试111 文强chu 面试
    1事务隔离级别有那些 ，事务特性是什么（问到一次） 2 spring aop 如何管理事务的，如何实现的。动态代理如何实现，jdk怎么实现动态代理的，ioc是怎么实现的，spring是单例还是多例，有那些初始化bean的方式，各有什么区别（经常问） 3 struts默认提供了那些拦截器 （一次） 4 过滤器和拦截器的区别 （频率也挺高） 5 final，finally final
  • XML的四种解析方式 小桔子 domjdomdom4jsax
    在平时工作中，难免会遇到把 XML 作为数据存储格式。面对目前种类繁多的解决方案，哪个最适合我们呢？在这篇文章中，我对这四种主流方案做一个不完全评测，仅仅针对遍历 XML 这块来测试，因为遍历 XML 是工作中使用最多的（至少我认为）。 　　预 备 　　测试环境： 　　AMD 毒龙1.4G OC 1.5G、256M DDR333、Windows2000 Server
  • wordpress中常见的操作 aichenglong 中文注册wordpress移除菜单
    1 wordpress中使用中文名注册解决办法   1)使用插件   2)修改wp源代码      进入到wp-include/formatting.php文件中找到       function sanitize_user( $username, $strict = false
  • 小飞飞学管理-1 alafqq 管理
    项目管理的下午题，其实就在提出问题（挑刺），分析问题，解决问题。 今天我随意看下10年上半年的第一题。主要就是项目经理的提拨和培养。 结合我自己经历写下心得 对于公司选拔和培养项目经理的制度有什么毛病呢？ 1，公司考察，选拔项目经理，只关注技术能力，而很少或没有关注管理方面的经验，能力。 2，公司对项目经理缺乏必要的项目管理知识和技能方面的培训。 3，公司对项目经理的工作缺乏进行指
  • IO输入输出部分探讨 百合不是茶 IO
     //文件处理  在处理文件输入输出时要引入java.IO这个包； /* 1，运用File类对文件目录和属性进行操作 2，理解流，理解输入输出流的概念 3，使用字节/符流对文件进行读/写操作 4，了解标准的I/O 5，了解对象序列化 */   //1，运用File类对文件目录和属性进行操作   //在工程中线创建一个text.txt
  • getElementById的用法 bijian1013 element
            getElementById是通过Id来设置/返回HTML标签的属性及调用其事件与方法。用这个方法基本上可以控制页面所有标签，条件很简单，就是给每个标签分配一个ID号。        返回具有指定ID属性值的第一个对象的一个引用。        语法： &n
  • 励志经典语录 bijian1013 励志人生
    经典语录1:   哈佛有一个著名的理论：人的差别在于业余时间，而一个人的命运决定于晚上8点到10点之间。每晚抽出2个小时的时间用来阅读、进修、思考或参加有意的演讲、讨论，你会发现，你的人生正在发生改变，坚持数年之后，成功会向你招手。不要每天抱着QQ/MSN/游戏/电影/肥皂剧……奋斗到12点都舍不得休息，看就看一些励志的影视或者文章，不要当作消遣；学会思考人生，学会感悟人生
  • [MongoDB学习笔记三]MongoDB分片 bit1129 mongodb
    MongoDB的副本集(Replica Set)一方面解决了数据的备份和数据的可靠性问题，另一方面也提升了数据的读写性能。MongoDB分片(Sharding)则解决了数据的扩容问题，MongoDB作为云计算时代的分布式数据库，大容量数据存储，高效并发的数据存取，自动容错等是MongoDB的关键指标。 本篇介绍MongoDB的切片(Sharding)   1.何时需要分片 &nbs
  • 【Spark八十三】BlockManager在Spark中的使用场景 bit1129 manager
    1. Broadcast变量的存储，在HttpBroadcast类中可以知道 2. RDD通过CacheManager存储RDD中的数据，CacheManager也是通过BlockManager进行存储的 3. ShuffleMapTask得到的结果数据，是通过FileShuffleBlockManager进行管理的，而FileShuffleBlockManager最终也是使用BlockMan
  • yum方式部署zabbix ronin47 yum方式部署zabbix
    安装网络yum库#rpm -ivh http://repo.zabbix.com/zabbix/2.4/rhel/6/x86_64/zabbix-release-2.4-1.el6.noarch.rpm 通过yum装mysql和zabbix调用的插件还有agent代理#yum install zabbix-server-mysql zabbix-web-mysql mysql-
  • Hibernate4和MySQL5.5自动创建表失败问题解决方法 byalias J2EEHibernate4
    今天初学Hibernate4，了解了使用Hibernate的过程。大体分为4个步骤： ①创建hibernate.cfg.xml文件 ②创建持久化对象 ③创建*.hbm.xml映射文件 ④编写hibernate相应代码 在第四步中，进行了单元测试，测试预期结果是hibernate自动帮助在数据库中创建数据表，结果JUnit单元测试没有问题，在控制台打印了创建数据表的SQL语句，但在数据库中
  • Netty源码学习-FrameDecoder bylijinnan javanetty
    Netty 3.x的user guide里FrameDecoder的例子，有几个疑问： 1.文档说：FrameDecoder calls decode method with an internally maintained cumulative buffer whenever new data is received. 为什么每次有新数据到达时，都会调用decode方法？ 2.Dec
  • SQL行列转换方法 chicony 行列转换
    create table tb(终端名称 varchar(10) , CEI分值 varchar(10) , 终端数量 int) insert into tb values('三星' , '0-5' , 74) insert into tb values('三星' , '10-15' , 83) insert into tb values('苹果' , '0-5' , 93)
  • 中文编码测试 ctrain 编码
    循环打印转换编码 String[] codes = { "iso-8859-1", "utf-8", "gbk", "unicode" }; for (int i = 0; i < codes.length; i++) { for (int j
  • hive 客户端查询报堆内存溢出解决方法 daizj hive堆内存溢出
    hive> select * from t_test where ds=20150323 limit 2; OK Exception in thread "main" java.lang.OutOfMemoryError: Java heap space   问题原因： hive堆内存默认为256M   这个问题的解决方法为： 修改/us
  • 人有多大懒，才有多大闲 (评论『卓有成效的程序员』) dcj3sjt126com 程序员
      卓有成效的程序员给我的震撼很大，程序员作为特殊的群体，有的人可以这么懒，  懒到事情都交给机器去做 ，而有的人又可以那么勤奋，每天都孜孜不倦得做着重复单调的工作。   在看这本书之前，我属于勤奋的人，而看完这本书以后，我要努力变成懒惰的人。 不要在去庞大的开始菜单里面一项一项搜索自己的应用程序，也不要在自己的桌面上放置眼花缭乱的快捷图标
  • Eclipse简单有用的配置 dcj3sjt126com eclipse
    1、显示行号  Window -- Prefences -- General -- Editors -- Text Editors -- show line numbers   2、代码提示字符 Window ->Perferences，并依次展开 Java -> Editor -> Content Assist，最下面一栏 auto-Activation
  • 在tomcat上面安装solr4.8.0全过程 eksliang Solrsolr4.0后的版本安装solr4.8.0安装
    转载请出自出处： http://eksliang.iteye.com/blog/2096478       首先solr是一个基于java的web的应用，所以安装solr之前必须先安装JDK和tomcat，我这里就先省略安装tomcat和jdk了         第一步：当然是下载去官网上下载最新的solr版本，下载地址
  • Android APP通用型拒绝服务、漏洞分析报告 gg163 漏洞androidAPP分析
    点评：记得曾经有段时间很多SRC平台被刷了大量APP本地拒绝服务漏洞，移动安全团队爱内测（ineice.com）发现了一个安卓客户端的通用型拒绝服务漏洞，来看看他们的详细分析吧。  0xr0ot和Xbalien交流所有可能导致应用拒绝服务的异常类型时，发现了一处通用的本地拒绝服务漏洞。该通用型本地拒绝服务可以造成大面积的app拒绝服务。  针对序列化对象而出现的拒绝服务主要
  • HoverTree项目已经实现分层 hvt 编程.netWebC#ASP.ENT
    HoverTree项目已经初步实现分层，源代码已经上传到 http://hovertree.codeplex.com请到SOURCE CODE查看。在本地用SQL Server 2008 数据库测试成功。数据库和表请参考：http://keleyi.com/a/bjae/ue6stb42.htmHoverTree是一个ASP.NET 开源项目，希望对你学习ASP.NET或者C#语言有帮助，如果你对
  • Google Maps API v3: Remove Markers 移除标记 天梯梦 google maps api
    Simply do the following:   I. Declare a global variable: var markersArray = [];   II. Define a function: function clearOverlays() { for (var i = 0; i < markersArray.length; i++ )
  • jQuery选择器总结 lq38366 jquery选择器
      1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
  • 基础数据结构和算法六：Quick sort sunwinner AlgorithmQuicksort
    Quick sort is probably used more widely than any other. It is popular because it is not difficult to implement, works well for a variety of different kinds of input data, and is substantially faster t
  • 如何让Flash不遮挡HTML div元素的技巧_HTML/Xhtml_网页制作 刘星宇 htmlWeb
    今天在写一个flash广告代码的时候，因为flash自带的链接，容易被当成弹出广告，所以做了一个div层放到flash上面，这样链接都是a触发的不会被拦截，但发现flash一直处于div层上面，原来flash需要加个参数才可以。 让flash置于DIV层之下的方法，让flash不挡住飘浮层或下拉菜单，让Flash不档住浮动对象或层的关键参数：wmode=opaque。 方法如下：
  • Mybatis实用Mapper SQL汇总示例 wdmcygah sqlmysqlmybatis实用
    Mybatis作为一个非常好用的持久层框架，相关资料真的是少得可怜，所幸的是官方文档还算详细。本博文主要列举一些个人感觉比较常用的场景及相应的Mapper SQL写法，希望能够对大家有所帮助。 不少持久层框架对动态SQL的支持不足，在SQL需要动态拼接时非常苦恼，而Mybatis很好地解决了这个问题，算是框架的一大亮点。对于常见的场景，例如：批量插入/更新/删除，模糊查询，多条件查询，联表查询，
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他