士多啤梨苹果橙_cc15
士多啤梨苹果橙_cc15

FP-Growth

FP-Growth可以高效地发现频繁项集

发现事务数据中的公共模式

FP-Growth与Apriori相比，是基于Apriori的构建，但是将数据集存储在FP树，这样使得算法的执行速度快于Apriori，通常性能要好两个数量级以上。

FP-Growth只需要对数据库进行两次扫描，而Apriori对每个潜在的频繁项集都会扫描数据集判定给定模式是否频繁。FP过程如下：

1）构建FP树

2）从FP树中挖掘频繁项集

FP-Growth_第1张图片
FP树

同搜索树不同的是，一个元素项可以在一颗FP树中出现多次，FP树会存储项集出现的频率，相似元素的集合会共享树的一部分，只有当集合间完全不同时才会分叉

FP-Growth_第2张图片

在FP树中Z出现了5次，集合{r,z}出现了1次，那么可以推出一定是z本身或者其他符号一起出现了4次。

FP-growth的工作流程是，首先建立FP树，然后利用它来挖掘频繁项集。为构建FP树需要对原始数据扫描两遍，第一遍对所有元素项的出现次数进行计数，如果某元素是不频繁的，那么包含该元素的超级也是不频繁的，所以就不用考虑这些元素的超级。

第一遍扫描统计出现的频率，第二遍扫描只考虑那些频繁的元素

FP-Growth_第3张图片

第一次遍历数据集会获得每个元素项的出现频率。接下来，去掉不满足最小支持度的元素项。再下一步构建FP树。在构建时，读人每个项集并将其添加到一条已经存在的路径中。如果该路径不存在，则创建一条新路径。每个事务就是一个无序集合。假设有集合{z，x，y}和比{y,z,r} ,那么在FP树 , 相同项会只表示一次。

为了解决此问题，在将集合添加到树之前，需要对每个集合进行排序。排序基于元素项的绝对出现频率来进行。使用图12-2中的头指针节点值，对表12-1中数据进行过滤、重排序后的数据显示在表12-2中

FP-Growth_第4张图片

对事务记录进行过滤和排序之后就可以构建FP树了，从空集开始，向其中不断添加频繁项集，过滤、排序后的事务添加到树中，如果树中已存在现有元素，则增加现有元素值，否则则添加分支

----从一颗FP树中挖掘频繁项集

1. 从FP树中获得条件模式基

2. 利用条件模式基，构建一个条件FP树

3. 迭代重复1）2）直到树只包含一个元素

--条件模式基

FP-Growth_第5张图片

---创建条件FP树


FP-Growth_第6张图片

你可能感兴趣的:(FP-Growth)

  • 计算机设计大赛 题目：基于FP-Growth的新闻挖掘算法系统的设计与实现 iuerfee python
    文章目录0前言1项目背景2算法架构3FP-Growth算法原理3.1FP树3.2算法过程3.3算法实现3.3.1构建FP树3.4从FP树中挖掘频繁项集4系统设计展示5最后0前言优质竞赛项目系列，今天要分享的是基于FP-Growth的新闻挖掘算法系统的设计与实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/
  • 关联规则——Apriori算法与FP-Growth算法 CYYUN
    Apriori算法•Apriori算法将发现关联规则的过程分为两个步骤：1、通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于用户设定的阈值的项集2、利用频繁项集构造出满足用户最小置信度的规则。其中，检索所有频繁项集是该算法的核心，占整个计算量的大部分•Apriori算法的重要性质性质1：频繁项集的子集必为频繁项集。如果{B，C}是频繁的，那么{B}，{C}也一定是频繁的性质2：非频繁项集
  • 大创项目推荐 题目：基于FP-Growth的新闻挖掘算法系统的设计与实现 laafeer python
    文章目录0前言1项目背景2算法架构3FP-Growth算法原理3.1FP树3.2算法过程3.3算法实现3.3.1构建FP树3.4从FP树中挖掘频繁项集4系统设计展示5最后0前言优质竞赛项目系列，今天要分享的是基于FP-Growth的新闻挖掘算法系统的设计与实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/
  • 自然语言处理5——发掘隐藏规律 - Python中的关联规则挖掘 theskylife 数据分析数据挖掘自然语言处理自然语言处理pythoneasyui数据挖掘数据分析
    目录写在开头1.了解关联规则挖掘的概念和实际应用1.1关联规则挖掘在市场分析和购物篮分析中的应用1.2关联规则的定义和基本原理1.3应用场景2.使用Apriori算法和FP-growth算法进行关联规则挖掘2.1Apriori算法的工作原理和实现步骤2.2FP-growth算法的优势和使用方法2.3Apriori算法vsFP-growth算法3.结果解读和关联规则可视化3.1如何解读挖掘出的关联规
  • Apriori算法C++实现 无人赴约的cat 数据仓库与数据挖掘
    最近刚上了数据挖掘这门课，老师讲了两个算法，即Apriori算法和FP-growth算法，然后布置了上机作业，挖掘一个有8万行的记录的retail.dat，需要从中找出强规则，即同时满足最小支持度和最小置信度的规则。Apriori算法在这里给出一个实现找出所有频繁模式集的c++代码，其中主要使用的存储结构是二维数组，有点简陋，凑合着看看。另外，这个版本是刚写出来初始版本，自连接之后没有修剪步骤，而
  • FP-growth算法发现频繁项集（一）——构建FP树 NoEndForLearning 数据挖掘关联规则FP-tree
    常见的挖掘频繁项集算法有两类，一类是Apriori算法，另一类是FP-growth。Apriori通过不断的构造候选集、筛选候选集挖掘出频繁项集，需要多次扫描原始数据，当原始数据较大时，磁盘I/O次数太多，效率比较低下。FPGrowth不同于Apriori的“试探”策略，算法只需扫描原始数据两遍，通过FP-tree数据结构对原始数据进行压缩，效率较高。FP代表频繁模式（FrequentPatter
  • educoder第六章 关联挖掘 实验二：FP-growth 本人已run不再更新内容保留有错见谅 educoder数据挖掘数据分析python
    第1关：构建FP-tree（不能粘贴复制，我只能放图了）任务描述本关任务：创建FP树，并且更新FP树，向其中插入新节点。相关知识事务ID事务中的元素项：001r,z,h,j,p002z,y,x,w,v,u,t,s003z004r,x,n,o,s005y,r,x,z,q,t,p006y,z,x,e,q,s,t,m这份数据一共有6条记录，每条记录中的元素就是项，第1条记录中有5个项，分别为：r，z，h
  • 【数据挖掘】4、关联分析：Apriori、FP-Growth 算法、买面包是否也爱买啤酒 呆呆的猫 数据挖掘数据挖掘算法人工智能
    文章目录一、概念1.1支持度1.2置信度1.3提升度二、Apriori算法2.1频繁项集的定义2.2手动推导2.3SDK实战2.3.1超市购物2.3.2挑选演员2.3.2.1爬虫2.3.2.2挖掘三、FP-Growth算法3.1算法步骤3.1.1创建项头表3.1.2构造FP树3.1.3通过FP树挖掘频繁项集3.2手动推导3.2.1计算单一项的频率（支持度计数）3.2.2按支持度和频率降序过滤事务，
  • 头歌平台第六章关联挖掘实验二：FP-growth KID.Sink python开发语言数据挖掘
    头歌平台第六章关联挖掘实验二：FP-growth第一关：构建FP-treedefloadSimpDat():#加载数据集simpDat=[['beer','milk','chicken'],['milk','bread'],['milk','diaper'],['beer','milk','bread'],['beer','diaper'],['milk','diaper'],['beer','d
  • 关联规则 Fp-Growth算法实现 小小程序○ 算法机器学习人工智能
    Fp-Growth算法实现实现上次博客例子，设置最小支持度计数为3，3/5=0.6，所以支持度为0.6代码#属于太菜了，做个调包侠frommlxtend.preprocessingimportTransactionEncoderfrommlxtend.frequent_patternsimportfpgrowthimportpandasaspd#数据集dataset=[['f','c','a','
  • 关联规则 FP-Growth算法 小小程序○ 算法机器学习人工智能
    FP-Growth算法FP-growth算法思想FP-growth算法是韩家炜老师在2000年提出的关联分析算法，它采取如下分治策略:将提供频繁项集的数据库压缩到一棵频繁模式树(FP-Tree)但仍保留项集关联信息。FP-growth算法是对Apriori方法的改进。生成一个频繁模式而不需要生成候选模式FP-growth算法以树的形式表示数据库，称为频繁模式树或FP-tree。此树结构将保持项集之
  • FP-Growth算法全解析：理论基础与实战指导 液态不合群 算法
    一、简介FP-Growth（FrequentPatternGrowth，频繁模式增长）算法是一种用于数据挖掘中频繁项集发现的有效方法。它是由JianPei，JiaweiHan和RunyingMao在2000年的论文中首次提出的。该算法主要应用于事务数据分析、关联规则挖掘以及数据挖掘领域的其他相关应用。什么是频繁项集？频繁项集是一个包含在多个事务中频繁出现的项（或物品）集合。例如，在购物篮分析中，「
  • 竞赛选题 题目：基于FP-Growth的新闻挖掘算法系统的设计与实现 laafeer python
    文章目录0前言1项目背景2算法架构3FP-Growth算法原理3.1FP树3.2算法过程3.3算法实现3.3.1构建FP树3.4从FP树中挖掘频繁项集4系统设计展示5最后0前言优质竞赛项目系列，今天要分享的是基于FP-Growth的新闻挖掘算法系统的设计与实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/
  • 竞赛 题目：基于FP-Growth的新闻挖掘算法系统的设计与实现 iuerfee python
    文章目录0前言1项目背景2算法架构3FP-Growth算法原理3.1FP树3.2算法过程3.3算法实现3.3.1构建FP树3.4从FP树中挖掘频繁项集4系统设计展示5最后0前言优质竞赛项目系列，今天要分享的是基于FP-Growth的新闻挖掘算法系统的设计与实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/
  • SVD、FP-growth（简单了解下定义撤） 怎么全是重名 ML——algorithm机器学习python
    FP-growth释义FP增长（FP-growth）算法是一种高效发现频繁项集的方法，通过构造一个树结构来压缩数据记录，只需要对数据库进行两次扫描，并且不会产生候选项集，因此它的效率相比于Apriori算法有很大的提高基本步骤创建一个FP树然后通过递归的方式来挖掘频繁项集FP-growth详见SVD释义SVD的英文全称是SingularValueDecomposition（奇异值分解），这是一种线
  • FP-Growth算法全解析：理论基础与实战指导 Rocky006 算法FP-Growthpython自动化开发语言
    本篇博客全面探讨了FP-Growth算法，从基础原理到实际应用和代码实现。深入剖析了该算法的优缺点，并通过Python示例展示了如何进行频繁项集挖掘。一、简介FP-Growth（FrequentPatternGrowth，频繁模式增长）算法是一种用于数据挖掘中频繁项集发现的有效方法。它是由JianPei，JiaweiHan和RunyingMao在2000年的论文中首次提出的。该算法主要应用于事务数
  • 计算机竞赛 题目：基于FP-Growth的新闻挖掘算法系统的设计与实现 Mr.D学长 pythonjava
    文章目录0前言1项目背景2算法架构3FP-Growth算法原理3.1FP树3.2算法过程3.3算法实现3.3.1构建FP树3.4从FP树中挖掘频繁项集4系统设计展示5最后0前言优质竞赛项目系列，今天要分享的是基于FP-Growth的新闻挖掘算法系统的设计与实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/
  • FP-growth JasonChiu17
    FP-growth(频繁模式增长)数据库的第一遍扫描用来统计出现的频率；第二遍扫面中考虑那些频繁元素优点：大约比Apriori算法快一个数量级缺点：实现比较困难，在某些数据集上性能会下降适用数据类型：标称型数据简单数据集及数据包装器defloadSimpDat():simpDat=[['r','z','h','j','p'],['z','y','x','w','v','u','t','s'],['
  • 机器学习|频繁项集挖掘之Eclat算法 数据臭皮匠fxx
    一.Eclat是一种使用垂直数据出发得到频繁项集的算法Apriori算法和FP-growth都是从水平数据格式出发,获得频繁项集的方法,本文将介绍一种从垂直数据出发得到频繁项集的算法Eclat(EquivalenceClassTransformation),Eclat的优势是只需扫描一遍完整的数据库,劣势是,频繁项较多时的集合的交集运算会比较花费时间,且对计算资源需求较大本文采用《数据挖掘概念与技
  • 用FP-growth算法发现频繁项集（一） RossH
    概述优点：一般要快于Apriori缺点：实现比较困难，在某些数据集上性能会下降适用数据类型：标称型数据FP-growth算法将数据存储在一种称为FP树的紧凑数据结构中。FP代表频繁模式（FrequentPattern）。FP树与其他树结构类似。但它会把相似元素连接起来，被连起来的元素项可以看作是链表。如下图所示。图1一棵FP树一个元素项可以在一棵FP树出现多次。FP树会存储项集的出现频率，而每个项
  • 数据挖掘-深入解析FP-Growth算法 轩Scott 数据挖掘算法人工智能
    目录1.前言2.什么是数据挖掘？3.传统关联规则挖掘算法3.1Apriori算法3.2缺点与局限性4.引入FP-Growth算法4.1FP-Growth算法概述频繁项集FP-Tree条件模式基4.2FP-Tree的构建5.FP-Growth算法流程5.1原始数据集预处理数据格式数据预处理步骤5.2构建FP-TreeFP-Tree的构建步骤5.3从FP-Tree中挖掘频繁项集条件模式基挖掘频繁项集步
  • 基于Spark3的个性化推荐系统——理论知识 程研板 #推荐系统推荐系统算法协同过滤机器学习
    本博客整理自慕课网实战《基于Spark2.x的个性化推荐系统》目录一.推荐系统的生态介绍1.生态概述2.常见问题3.效果评测二.协同过滤推荐算法原理1.基于用户的协同过滤2.基于物品的协同过滤3.基于模型的协同过滤4.缺失值填充三.ALS算法原理一.推荐系统的生态介绍1.生态概述数据算法基于关联的推荐算法：如购买鞋子的顾客，会有10%的顾客会买袜子。有Apriori算法和FP-Growth算法。基
  • 用Python实现Apriori算法和FP-growth算法 闫婕 python算法数据挖掘
    Apriori算法代码：defload_data_set():"""加载样本数据集返回：数据集：交易列表。每个事务包含几个项目。"""data_set=[['A','C','S','l'],['D','A','C','E','B'],['A','B','C'],['C','A','B','E']]returndata_setdefcreate_C1(data_set):"""通过扫描数据集创建频繁
  • fp-growth算法详解与实现 冲鸭hhh 算法算法数据结构java大数据数据挖掘
    fp-growth算法详解与实现一、摘要二、绪论三、算法介绍四、算法实现五、为什么要迭代建树寻找频繁项集六、总结一、摘要  本文讲解fp-growth算法的原理，梳理了fp-growth算法的实现流程，并使用Java实现fp-growth算法，通过面向对象的思想使算法更加结构化，并使其更加通俗易懂。二、绪论  在之前的博客中我们详细介绍了Apriori算法的实现（要是不知道，可以自行百度或看我之前
  • 「关联分析」18关联分析之Aprior算法与FP-growth算法 林拂晓
    1.关联分析关联分析是从大量数据中发现项集之间的相关联系。关联分析的一个典型例子是购物篮分析。该过程通过发现顾客放人其购物篮中的不同商品之间的联系，分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买，这种关联的发现可以帮助零售商制定营销策略。其他的应用还包括价目表设计、商品促销、商品的排放和基于购买模式的顾客划分。2.相关概念支持度：A、B同时发生的概率Support(A==>B)=P(Aa
  • 关联规则算法(Apriori算法、FP-Growth算法)小案例（python mlxtend) Terry_trans 数据分析/机器学习项目数据分析数据挖掘
    目录一、Apriori二、FP-Growth一、Apriori算法理论部分参考：(28条消息)Apriori算法与FP-Tree算法_messi_james的博客-CSDN博客importpandasaspd#构造数据集item_list=[('牛奶','面包','尿不湿','啤酒','榴莲'),('可乐','面包','尿不湿','啤酒','牛仔裤'),('牛奶','尿不湿','啤酒','鸡蛋',
  • 机器学习|FP-Growth 数据臭皮匠fxx
    在上篇文章频繁项集挖掘实战和关联规则产生中我们实现了Apriori的购物篮实战和由频繁项集产生关联规则,本文沿《数据挖掘概念与技术》的主线继续学习FP-growth。因《数据挖掘概念与技术》中FP-growth内容过于琐碎且不易理解，我们的内容主要参考了《机器学习实战》第12章的内容。本文是对书中内容的通俗理解和代码实现,更详细的理论知识请参考书中内容,本文涉及的完整jupyter代码和《机器学习
  • 用FP-growth算法发现频繁项集（二） RossH
    从FP树中挖掘频繁项集从FP树中抽取频繁项集的三个基本步骤如下：从FP树中获得条件模式基利用条件模式基，构建一个条件FP树重复步骤1、2，直到树包含一个元素项为止抽取条件模式基条件模式基（conditionalpatternbase）是以所查找元素项为结尾的路径集合。每一条路径是一条前缀路径（prefixpath）。前缀路径是介于所查找元素与根节点之间的所有内容。图1一棵FP树以上图的树为例，元素
  • python apriori算法 sklearn_sklearn(九)apriori 关联规则算法,以及FP-growth 算法 weixin_39564605 pythonapriori算法sklearn
    是什么：apriori算法是第一个关联规则挖掘算法，利用逐层搜索的迭代方法找出数据库中的项集(项的集合)的关系，以形成规则，其过程由连接(类矩阵运算)与剪枝(去掉没必要的中间结果)组成。是一种挖掘关联规则的频繁项集算法，一种最有影响的挖掘布尔关联规则频繁项集的算法。核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。关联规则挖掘，在最早提出时，是为了发现交易数据库中不同商品之间的联
  • 机器学习概念总结笔记（四）——KMeans、混合高斯模型、LDA、PLSA、Apriori、FP-Growth、 denghe1122 机器学习/深度学习
    原文：https://cloud.tencent.com/community/article/84799321）KMeans聚类分析是一种静态数据分析方法，常被用于机器学习，模式识别，数据挖掘等领域。通常认为，聚类是一种无监督式的机器学习方法，它的过程是这样的：在未知样本类别的情况下，通过计算样本彼此间的距离（欧式距离,马式距离，汉明距离，余弦距离等）来估计样本所属类别。从结构性来划分，聚类方法分
  • java封装继承多态等 麦田的设计者 javaeclipsejvmcencapsulatopn
           最近一段时间看了很多的视频却忘记总结了，现在只能想到什么写什么了，希望能起到一个回忆巩固的作用。     1、final关键字       译为：最终的        &
  • F5与集群的区别 bijian1013 weblogic集群F5
            http请求配置不是通过集群，而是F5；集群是weblogic容器的，如果是ejb接口是通过集群。         F5同集群的差别，主要还是会话复制的问题，F5一把是分发http请求用的，因为http都是无状态的服务，无需关注会话问题，类似
  • LeetCode[Math] - #7 Reverse Integer Cwind java题解MathLeetCodeAlgorithm
    原题链接：#7 Reverse Integer   要求： 按位反转输入的数字 例1： 输入 x = 123, 返回 321 例2： 输入 x = -123, 返回 -321   难度：简单   分析： 对于一般情况，首先保存输入数字的符号，然后每次取输入的末位（x%10）作为输出的高位（result = result*10 + x%10）即可。但
  • BufferedOutputStream 周凡杨
         首先说一下这个大批量，是指有上千万的数据量。      例子：      有一张短信历史表，其数据有上千万条数据，要进行数据备份到文本文件，就是执行如下SQL然后将结果集写入到文件中！      select t.msisd
  • linux下模拟按键输入和鼠标 被触发 linux
    查看/dev/input/eventX是什么类型的事件， cat /proc/bus/input/devices 设备有着自己特殊的按键键码，我需要将一些标准的按键，比如0－9，X－Z等模拟成标准按键，比如KEY_0,KEY-Z等，所以需要用到按键 模拟，具体方法就是操作/dev/input/event1文件，向它写入个input_event结构体就可以模拟按键的输入了。 linux/in
  • ContentProvider初体验 肆无忌惮_ ContentProvider
    ContentProvider在安卓开发中非常重要。与Activity，Service，BroadcastReceiver并称安卓组件四大天王。 在android中的作用是用来对外共享数据。因为安卓程序的数据库文件存放在data/data/packagename里面，这里面的文件默认都是私有的，别的程序无法访问。 如果QQ游戏想访问手机QQ的帐号信息一键登录，那么就需要使用内容提供者COnte
  • 关于Spring MVC项目（maven）中通过fileupload上传文件 843977358 mybatisspring mvc修改头像上传文件upload
    Spring MVC 中通过fileupload上传文件，其中项目使用maven管理。   1.上传文件首先需要的是导入相关支持jar包：commons-fileupload.jar,commons-io.jar 因为我是用的maven管理项目，所以要在pom文件中配置（每个人的jar包位置根据实际情况定） <!-- 文件上传 start by zhangyd-c --&g
  • 使用svnkit api，纯java操作svn，实现svn提交，更新等操作 aigo svnkit
     原文：http://blog.csdn.net/hardwin/article/details/7963318   import java.io.File; import org.apache.log4j.Logger; import org.tmatesoft.svn.core.SVNCommitInfo; import org.tmateso
  • 对比浏览器，casperjs，httpclient的Header信息 alleni123 爬虫crawlerheader
    @Override protected void doGet(HttpServletRequest req, HttpServletResponse res) throws ServletException, IOException { String type=req.getParameter("type"); Enumeration es=re
  • java.io操作 DataInputStream和DataOutputStream基本数据流 百合不是茶 java流
    1，java中如果不保存整个对象，只保存类中的属性，那么我们可以使用本篇文章中的方法，如果要保存整个对象  先将类实例化  后面的文章将详细写到     2，DataInputStream 是java.io包中一个数据输入流允许应用程序以与机器无关方式从底层输入流中读取基本 Java 数据类型。应用程序可以使用数据输出流写入稍后由数据输入流读取的数据。
  • 车辆保险理赔案例 bijian1013 车险
    理赔案例： 一货运车，运输公司为车辆购买了机动车商业险和交强险，也买了安全生产责任险，运输一车烟花爆竹，在行驶途中发生爆炸，出现车毁、货损、司机亡、炸死一路人、炸毁一间民宅等惨剧，针对这几种情况，该如何赔付。 赔付建议和方案： 客户所买交强险在这里不起作用，因为交强险的赔付前提是：“机动车发生道路交通意外事故”； 如果是交通意外事故引发的爆炸，则优先适用交强险条款进行赔付，不足的部分由商业
  • 学习Spring必学的Java基础知识(5)—注解 bijian1013 javaspring
            文章来源：http://www.iteye.com/topic/1123823，整理在我的博客有两个目的：一个是原文确实很不错，通俗易懂，督促自已将博主的这一系列关于Spring文章都学完；另一个原因是为免原文被博主删除，在此记录，方便以后查找阅读。           有必要对
  • 【Struts2一】Struts2 Hello World bit1129 Hello world
    Struts2 Hello World应用的基本步骤 创建Struts2的Hello World应用，包括如下几步： 1.配置web.xml 2.创建Action 3.创建struts.xml，配置Action 4.启动web server，通过浏览器访问   配置web.xml <?xml version="1.0" encoding="
  • 【Avro二】Avro RPC框架 bit1129 rpc
    1. Avro RPC简介 1.1. RPC RPC逻辑上分为二层，一是传输层，负责网络通信；二是协议层，将数据按照一定协议格式打包和解包 从序列化方式来看，Apache Thrift 和Google的Protocol Buffers和Avro应该是属于同一个级别的框架，都能跨语言，性能优秀，数据精简，但是Avro的动态模式（不用生成代码，而且性能很好）这个特点让人非常喜欢，比较适合R
  • lua　set get cookie ronin47 lua cookie
    lua: local access_token = ngx.var.cookie_SGAccessToken if access_token then ngx.header["Set-Cookie"] = "SGAccessToken="..access_token.."; path=/;Max-Age=3000" end
  • java-打印不大于N的质数 bylijinnan java
    public class PrimeNumber { /** * 寻找不大于N的质数 */ public static void main(String[] args) { int n=100; PrimeNumber pn=new PrimeNumber(); pn.printPrimeNumber(n); System.out.print
  • Spring源码学习-PropertyPlaceholderHelper bylijinnan javaspring
    今天在看Spring 3.0.0.RELEASE的源码，发现PropertyPlaceholderHelper的一个bug 当时觉得奇怪，上网一搜，果然是个bug，不过早就有人发现了，且已经修复： 详见： http://forum.spring.io/forum/spring-projects/container/88107-propertyplaceholderhelper-bug
  • [逻辑与拓扑]布尔逻辑与拓扑结构的结合会产生什么? comsci 拓扑
       如果我们已经在一个工作流的节点中嵌入了可以进行逻辑推理的代码,那么成百上千个这样的节点如果组成一个拓扑网络,而这个网络是可以自动遍历的,非线性的拓扑计算模型和节点内部的布尔逻辑处理的结合,会产生什么样的结果呢?    是否可以形成一种新的模糊语言识别和处理模型呢?  大家有兴趣可以试试,用软件搞这些有个好处,就是花钱比较少,就算不成
  • ITEYE 都换百度推广了 cuisuqiang GoogleAdSense百度推广广告外快
    以前ITEYE的广告都是谷歌的Google AdSense，现在都换成百度推广了。   为什么个人博客设置里面还是Google AdSense呢？   都知道Google AdSense不好申请，这在ITEYE上也不是讨论了一两天了，强烈建议ITEYE换掉Google AdSense。至少，用一个好申请的吧。   什么时候能从ITEYE上来点外快，哪怕少点
  • 新浪微博技术架构分析 dalan_123 新浪微博架构
    新浪微博在短短一年时间内从零发展到五千万用户，我们的基层架构也发展了几个版本。第一版就是是非常快的，我们可以非常快的实现我们的模块。我们看一下技术特点，微博这个产品从架构上来分析，它需要解决的是发表和订阅的问题。我们第一版采用的是推的消息模式，假如说我们一个明星用户他有10万个粉丝，那就是说用户发表一条微博的时候，我们把这个微博消息攒成10万份，这样就是很简单了，第一版的架构实际上就是这两行字。第
  • 玩转ARP攻击 dcj3sjt126com r
    我写这片文章只是想让你明白深刻理解某一协议的好处。高手免看。如果有人利用这片文章所做的一切事情，盖不负责。 网上关于ARP的资料已经很多了，就不用我都说了。 用某一位高手的话来说，“我们能做的事情很多，唯一受限制的是我们的创造力和想象力”。 ARP也是如此。 以下讨论的机子有 一个要攻击的机子：10.5.4.178 硬件地址：52:54:4C:98
  • PHP编码规范 dcj3sjt126com 编码规范
    一、文件格式 1. 对于只含有 php 代码的文件，我们将在文件结尾处忽略掉 "?>" 。这是为了防止多余的空格或者其它字符影响到代码。例如：<?php$foo = 'foo';2. 缩进应该能够反映出代码的逻辑结果，尽量使用四个空格，禁止使用制表符TAB，因为这样能够保证有跨客户端编程器软件的灵活性。例
  • linux 脱机管理（nohup） eksliang linux nohupnohup
    脱机管理 nohup 转载请出自出处：http://eksliang.iteye.com/blog/2166699 nohup可以让你在脱机或者注销系统后，还能够让工作继续进行。他的语法如下 nohup [命令与参数] --在终端机前台工作 nohup [命令与参数] & --在终端机后台工作   但是这个命令需要注意的是，nohup并不支持bash的内置命令，所
  • BusinessObjects Enterprise Java SDK greemranqq javaBOSAPCrystal Reports
    最近项目用到oracle_ADF  从SAP/BO 上调用 水晶报表，资料比较少，我做一个简单的分享，给和我一样的新手 提供更多的便利。   首先，我是尝试用JAVA JSP 去访问的。   官方API：http://devlibrary.businessobjects.com/BusinessObjectsxi/en/en/BOE_SDK/boesdk_ja
  • 系统负载剧变下的管控策略 iamzhongyong 高并发
    假如目前的系统有100台机器，能够支撑每天1亿的点击量（这个就简单比喻一下），然后系统流量剧变了要，我如何应对，系统有那些策略可以处理，这里总结了一下之前的一些做法。 1、水平扩展 这个最容易理解，加机器，这样的话对于系统刚刚开始的伸缩性设计要求比较高，能够非常灵活的添加机器，来应对流量的变化。 2、系统分组 假如系统服务的业务不同，有优先级高的，有优先级低的，那就让不同的业务调用提前分组
  • BitTorrent DHT 协议中文翻译 justjavac bit
    前言 做了一个磁力链接和BT种子的搜索引擎 {Magnet & Torrent}，因此把 DHT 协议重新看了一遍。 BEP: 5Title: DHT ProtocolVersion: 3dec52cb3ae103ce22358e3894b31cad47a6f22bLast-Modified: Tue Apr 2 16:51:45 2013 -070
  • Ubuntu下Java环境的搭建 macroli java工作ubuntu
    配置命令： 　　$sudo apt-get install ubuntu-restricted-extras 　　再运行如下命令： 　　$sudo apt-get install sun-java6-jdk 　　待安装完毕后选择默认Java. 　　$sudo update- alternatives --config java 　　安装过程提示选择，输入“2”即可，然后按回车键确定。
  • js字符串转日期（兼容IE所有版本） qiaolevip TODateStringIE
    /** * 字符串转时间（yyyy-MM-dd HH:mm:ss） * result （分钟） */ stringToDate : function(fDate){ var fullDate = fDate.split(" ")[0].split("-"); var fullTime = fDate.split("
  • 【数据挖掘学习】关联规则算法Apriori的学习与SQL简单实现购物篮分析 superlxw1234 sql数据挖掘关联规则
    关联规则挖掘用于寻找给定数据集中项之间的有趣的关联或相关关系。 关联规则揭示了数据项间的未知的依赖关系，根据所挖掘的关联关系，可以从一个数据对象的信息来推断另一个数据对象的信息。 例如购物篮分析。牛奶 ⇒ 面包 [支持度：3%，置信度：40%] 支持度3%：意味3%顾客同时购买牛奶和面包。 置信度40%：意味购买牛奶的顾客40%也购买面包。 规则的支持度和置信度是两个规则兴
  • Spring 5.0 的系统需求，期待你的反馈 wiselyman spring
                   Spring 5.0将在2016年发布。Spring5.0将支持JDK 9。          Spring 5.0的特性计划还在工作中，请保持关注，所以作者希望从使用者得到关于Spring 5.0系统需求方面的反馈。  
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他