sparkexpert

文本摘要评测工具ROUGE的搭建和测试

　　文本摘要任务中最常用的评价方法是ROUGE(Recall-Oriented Understudy for Gisting Evaluation)。ROUGE受到了机器翻译自动评价方法BLEU的启发，不同之处在于，采用召回率来作为指标。基本思想是将模型生成的摘要与参考摘要的n元组贡献统计量作为评判依据。

　　现在主要采用软件是PERL语言编写的版本，见地址：

（https://github.com/andersjo/pyrouge/tree/master/tools/ROUGE-1.5.5）

　　然而这个工具的搭建，相对还比较麻烦，因此把整个搭建的过程记录一下：

（1）安装PERL语言，一般的Ubuntu环境都具备

（2）安装PERL语言的相关库，主要是XML语言解析器

（3）对数据进行处理，主要是WordNet数据的处理，主要是原来给的文件会存在无法打开的问题，即报如下错误：（Cannot open exception db file for reading: data/WordNet-2.0.exc.db）

处理步骤如下：

cd pythonrouge/RELEASE-1.5.5/data/
rm WordNet-2.0.exc.db
./WordNet-2.0-Exceptions/buildExeptionDB.pl ./WordNet-2.0-Exceptions ./smart_common_words.txt ./WordNet-2.0.exc.db

然后进行测试：

./ROUGE-1.5.5.pl -e data -c 95 -2 -1 -U -r 1000 -n 4 -w 1.2 -a ROUGE-test.xml

　其中测试文件可以从如下网址下载：ROUGE-test.xml (https://raw.githubusercontent.com/summanlp/evaluation/master/ROUGE-RELEASE-1.5.5/sample-test/ROUGE-test.xml)

测试呈现的结果如下：

omnisky@omnisky:~/software/ROUGE-1.5.5$ ./ROUGE-1.5.5.pl -e data -c 95 -2 -1 -U -r 1000 -n 4 -w 1.2 -b 75 -m -a ROUGE-test.xml
---------------------------------------------
11 ROUGE-1 Average_R: 0.22536 (95%-conf.int. 0.18124 - 0.27016)
11 ROUGE-1 Average_P: 0.20359 (95%-conf.int. 0.17004 - 0.23980)
11 ROUGE-1 Average_F: 0.21027 (95%-conf.int. 0.17278 - 0.24804)
---------------------------------------------
11 ROUGE-2 Average_R: 0.03522 (95%-conf.int. 0.01812 - 0.05479)
11 ROUGE-2 Average_P: 0.02964 (95%-conf.int. 0.01698 - 0.04433)
11 ROUGE-2 Average_F: 0.03109 (95%-conf.int. 0.01669 - 0.04702)
---------------------------------------------
11 ROUGE-3 Average_R: 0.00243 (95%-conf.int. 0.00000 - 0.00774)
11 ROUGE-3 Average_P: 0.00171 (95%-conf.int. 0.00000 - 0.00545)
11 ROUGE-3 Average_F: 0.00201 (95%-conf.int. 0.00000 - 0.00640)
---------------------------------------------
11 ROUGE-4 Average_R: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
11 ROUGE-4 Average_P: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
11 ROUGE-4 Average_F: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
---------------------------------------------
11 ROUGE-L Average_R: 0.17144 (95%-conf.int. 0.14160 - 0.19972)
11 ROUGE-L Average_P: 0.15459 (95%-conf.int. 0.13442 - 0.17638)
11 ROUGE-L Average_F: 0.15979 (95%-conf.int. 0.13524 - 0.18293)
---------------------------------------------
11 ROUGE-W-1.2 Average_R: 0.10366 (95%-conf.int. 0.08657 - 0.12032)
11 ROUGE-W-1.2 Average_P: 0.14874 (95%-conf.int. 0.13072 - 0.16891)
11 ROUGE-W-1.2 Average_F: 0.12004 (95%-conf.int. 0.10260 - 0.13592)
---------------------------------------------
11 ROUGE-S* Average_R: 0.02919 (95%-conf.int. 0.01857 - 0.04092)
11 ROUGE-S* Average_P: 0.02341 (95%-conf.int. 0.01557 - 0.03158)
11 ROUGE-S* Average_F: 0.02400 (95%-conf.int. 0.01604 - 0.03186)
---------------------------------------------
11 ROUGE-SU* Average_R: 0.06207 (95%-conf.int. 0.04583 - 0.07847)
11 ROUGE-SU* Average_P: 0.05303 (95%-conf.int. 0.04009 - 0.06763)
11 ROUGE-SU* Average_F: 0.05310 (95%-conf.int. 0.04099 - 0.06553)
---------------------------------------------
12 ROUGE-1 Average_R: 0.24238 (95%-conf.int. 0.18967 - 0.29513)
12 ROUGE-1 Average_P: 0.25533 (95%-conf.int. 0.19308 - 0.31825)
12 ROUGE-1 Average_F: 0.24485 (95%-conf.int. 0.19150 - 0.30122)
---------------------------------------------
12 ROUGE-2 Average_R: 0.05210 (95%-conf.int. 0.02453 - 0.08236)
12 ROUGE-2 Average_P: 0.05569 (95%-conf.int. 0.02581 - 0.08922)
12 ROUGE-2 Average_F: 0.05265 (95%-conf.int. 0.02501 - 0.08296)
---------------------------------------------
12 ROUGE-3 Average_R: 0.01023 (95%-conf.int. 0.00114 - 0.02271)
12 ROUGE-3 Average_P: 0.01027 (95%-conf.int. 0.00125 - 0.02146)
12 ROUGE-3 Average_F: 0.00995 (95%-conf.int. 0.00119 - 0.02145)
---------------------------------------------
12 ROUGE-4 Average_R: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
12 ROUGE-4 Average_P: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
12 ROUGE-4 Average_F: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
---------------------------------------------
12 ROUGE-L Average_R: 0.18008 (95%-conf.int. 0.13709 - 0.22455)
12 ROUGE-L Average_P: 0.18728 (95%-conf.int. 0.14248 - 0.23337)
12 ROUGE-L Average_F: 0.18062 (95%-conf.int. 0.13810 - 0.22318)
---------------------------------------------
12 ROUGE-W-1.2 Average_R: 0.10847 (95%-conf.int. 0.08398 - 0.13339)
12 ROUGE-W-1.2 Average_P: 0.17875 (95%-conf.int. 0.13756 - 0.22048)
12 ROUGE-W-1.2 Average_F: 0.13289 (95%-conf.int. 0.10403 - 0.16220)
---------------------------------------------
12 ROUGE-S* Average_R: 0.03833 (95%-conf.int. 0.02085 - 0.05926)
12 ROUGE-S* Average_P: 0.04319 (95%-conf.int. 0.02107 - 0.06921)
12 ROUGE-S* Average_F: 0.03788 (95%-conf.int. 0.01997 - 0.05816)
---------------------------------------------
12 ROUGE-SU* Average_R: 0.07160 (95%-conf.int. 0.04882 - 0.09699)
12 ROUGE-SU* Average_P: 0.08071 (95%-conf.int. 0.05108 - 0.11638)
12 ROUGE-SU* Average_F: 0.07160 (95%-conf.int. 0.04794 - 0.09681)
---------------------------------------------
13 ROUGE-1 Average_R: 0.20161 (95%-conf.int. 0.15184 - 0.25908)
13 ROUGE-1 Average_P: 0.19956 (95%-conf.int. 0.14511 - 0.25978)
13 ROUGE-1 Average_F: 0.20030 (95%-conf.int. 0.14833 - 0.25923)
---------------------------------------------
13 ROUGE-2 Average_R: 0.04886 (95%-conf.int. 0.02609 - 0.07824)
13 ROUGE-2 Average_P: 0.04829 (95%-conf.int. 0.02445 - 0.07861)
13 ROUGE-2 Average_F: 0.04846 (95%-conf.int. 0.02523 - 0.07828)
---------------------------------------------
13 ROUGE-3 Average_R: 0.00887 (95%-conf.int. 0.00250 - 0.01758)
13 ROUGE-3 Average_P: 0.00909 (95%-conf.int. 0.00250 - 0.01804)
13 ROUGE-3 Average_F: 0.00897 (95%-conf.int. 0.00250 - 0.01758)
---------------------------------------------
13 ROUGE-4 Average_R: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
13 ROUGE-4 Average_P: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
13 ROUGE-4 Average_F: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
---------------------------------------------
13 ROUGE-L Average_R: 0.17044 (95%-conf.int. 0.12873 - 0.21975)
13 ROUGE-L Average_P: 0.16849 (95%-conf.int. 0.12400 - 0.22144)
13 ROUGE-L Average_F: 0.16919 (95%-conf.int. 0.12604 - 0.21969)
---------------------------------------------
13 ROUGE-W-1.2 Average_R: 0.10327 (95%-conf.int. 0.08048 - 0.12969)
13 ROUGE-W-1.2 Average_P: 0.16067 (95%-conf.int. 0.12237 - 0.20421)
13 ROUGE-W-1.2 Average_F: 0.12550 (95%-conf.int. 0.09682 - 0.15816)
---------------------------------------------
13 ROUGE-S* Average_R: 0.03974 (95%-conf.int. 0.02107 - 0.06491)
13 ROUGE-S* Average_P: 0.04116 (95%-conf.int. 0.01983 - 0.07039)
13 ROUGE-S* Average_F: 0.04018 (95%-conf.int. 0.02016 - 0.06705)
---------------------------------------------
13 ROUGE-SU* Average_R: 0.06653 (95%-conf.int. 0.04305 - 0.09595)
13 ROUGE-SU* Average_P: 0.06719 (95%-conf.int. 0.04110 - 0.10081)
13 ROUGE-SU* Average_F: 0.06650 (95%-conf.int. 0.04165 - 0.09775)
---------------------------------------------
14 ROUGE-1 Average_R: 0.23816 (95%-conf.int. 0.18633 - 0.28642)
14 ROUGE-1 Average_P: 0.20187 (95%-conf.int. 0.15801 - 0.24672)
14 ROUGE-1 Average_F: 0.21741 (95%-conf.int. 0.16959 - 0.26309)
---------------------------------------------
14 ROUGE-2 Average_R: 0.04832 (95%-conf.int. 0.02575 - 0.07404)
14 ROUGE-2 Average_P: 0.04008 (95%-conf.int. 0.02100 - 0.06148)
14 ROUGE-2 Average_F: 0.04350 (95%-conf.int. 0.02320 - 0.06550)
---------------------------------------------
14 ROUGE-3 Average_R: 0.00626 (95%-conf.int. 0.00129 - 0.01275)
14 ROUGE-3 Average_P: 0.00551 (95%-conf.int. 0.00125 - 0.01106)
14 ROUGE-3 Average_F: 0.00583 (95%-conf.int. 0.00129 - 0.01172)
---------------------------------------------
14 ROUGE-4 Average_R: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
14 ROUGE-4 Average_P: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
14 ROUGE-4 Average_F: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
---------------------------------------------
14 ROUGE-L Average_R: 0.18917 (95%-conf.int. 0.15208 - 0.22554)
14 ROUGE-L Average_P: 0.16072 (95%-conf.int. 0.12931 - 0.19636)
14 ROUGE-L Average_F: 0.17285 (95%-conf.int. 0.13969 - 0.20706)
---------------------------------------------
14 ROUGE-W-1.2 Average_R: 0.11376 (95%-conf.int. 0.09309 - 0.13418)
14 ROUGE-W-1.2 Average_P: 0.15239 (95%-conf.int. 0.12539 - 0.18210)
14 ROUGE-W-1.2 Average_F: 0.12955 (95%-conf.int. 0.10691 - 0.15301)
---------------------------------------------
14 ROUGE-S* Average_R: 0.04052 (95%-conf.int. 0.02377 - 0.05965)
14 ROUGE-S* Average_P: 0.03102 (95%-conf.int. 0.01668 - 0.05095)
14 ROUGE-S* Average_F: 0.03427 (95%-conf.int. 0.01952 - 0.05277)
---------------------------------------------
14 ROUGE-SU* Average_R: 0.07426 (95%-conf.int. 0.05233 - 0.09732)
14 ROUGE-SU* Average_P: 0.05627 (95%-conf.int. 0.03818 - 0.07912)
14 ROUGE-SU* Average_F: 0.06277 (95%-conf.int. 0.04369 - 0.08486)
---------------------------------------------
21 ROUGE-1 Average_R: 0.12268 (95%-conf.int. 0.09798 - 0.14879)
21 ROUGE-1 Average_P: 0.15320 (95%-conf.int. 0.12216 - 0.18730)
21 ROUGE-1 Average_F: 0.13279 (95%-conf.int. 0.10711 - 0.15971)
---------------------------------------------
21 ROUGE-2 Average_R: 0.01529 (95%-conf.int. 0.00592 - 0.02711)
21 ROUGE-2 Average_P: 0.02223 (95%-conf.int. 0.00779 - 0.04143)
21 ROUGE-2 Average_F: 0.01766 (95%-conf.int. 0.00648 - 0.03171)
---------------------------------------------
21 ROUGE-3 Average_R: 0.00146 (95%-conf.int. 0.00000 - 0.00387)
21 ROUGE-3 Average_P: 0.00189 (95%-conf.int. 0.00000 - 0.00500)
21 ROUGE-3 Average_F: 0.00165 (95%-conf.int. 0.00000 - 0.00436)
---------------------------------------------
21 ROUGE-4 Average_R: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
21 ROUGE-4 Average_P: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
21 ROUGE-4 Average_F: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
---------------------------------------------
21 ROUGE-L Average_R: 0.11136 (95%-conf.int. 0.08935 - 0.13337)
21 ROUGE-L Average_P: 0.14091 (95%-conf.int. 0.11120 - 0.17367)
21 ROUGE-L Average_F: 0.12123 (95%-conf.int. 0.09858 - 0.14549)
---------------------------------------------
21 ROUGE-W-1.2 Average_R: 0.07130 (95%-conf.int. 0.05835 - 0.08458)
21 ROUGE-W-1.2 Average_P: 0.14244 (95%-conf.int. 0.11389 - 0.17316)
21 ROUGE-W-1.2 Average_F: 0.09280 (95%-conf.int. 0.07623 - 0.10966)
---------------------------------------------
21 ROUGE-S* Average_R: 0.00977 (95%-conf.int. 0.00502 - 0.01464)
21 ROUGE-S* Average_P: 0.01637 (95%-conf.int. 0.00837 - 0.02539)
21 ROUGE-S* Average_F: 0.01103 (95%-conf.int. 0.00590 - 0.01624)
---------------------------------------------
21 ROUGE-SU* Average_R: 0.03016 (95%-conf.int. 0.02244 - 0.03836)
21 ROUGE-SU* Average_P: 0.05010 (95%-conf.int. 0.03553 - 0.06724)
21 ROUGE-SU* Average_F: 0.03441 (95%-conf.int. 0.02570 - 0.04326)
---------------------------------------------
22 ROUGE-1 Average_R: 0.16619 (95%-conf.int. 0.13350 - 0.20500)
22 ROUGE-1 Average_P: 0.15684 (95%-conf.int. 0.12675 - 0.19079)
22 ROUGE-1 Average_F: 0.15540 (95%-conf.int. 0.12640 - 0.18731)
---------------------------------------------
22 ROUGE-2 Average_R: 0.01970 (95%-conf.int. 0.00940 - 0.03235)
22 ROUGE-2 Average_P: 0.02285 (95%-conf.int. 0.00885 - 0.04183)
22 ROUGE-2 Average_F: 0.01963 (95%-conf.int. 0.00867 - 0.03326)
---------------------------------------------
22 ROUGE-3 Average_R: 0.00267 (95%-conf.int. 0.00000 - 0.00645)
22 ROUGE-3 Average_P: 0.00179 (95%-conf.int. 0.00000 - 0.00439)
22 ROUGE-3 Average_F: 0.00214 (95%-conf.int. 0.00000 - 0.00523)
---------------------------------------------
22 ROUGE-4 Average_R: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
22 ROUGE-4 Average_P: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
22 ROUGE-4 Average_F: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
---------------------------------------------
22 ROUGE-L Average_R: 0.14274 (95%-conf.int. 0.11681 - 0.17154)
22 ROUGE-L Average_P: 0.13564 (95%-conf.int. 0.11091 - 0.16389)
22 ROUGE-L Average_F: 0.13356 (95%-conf.int. 0.11087 - 0.15692)
---------------------------------------------
22 ROUGE-W-1.2 Average_R: 0.08851 (95%-conf.int. 0.07349 - 0.10502)
22 ROUGE-W-1.2 Average_P: 0.13443 (95%-conf.int. 0.10985 - 0.16234)
22 ROUGE-W-1.2 Average_F: 0.10269 (95%-conf.int. 0.08630 - 0.11951)
---------------------------------------------
22 ROUGE-S* Average_R: 0.02048 (95%-conf.int. 0.01204 - 0.03044)
22 ROUGE-S* Average_P: 0.01755 (95%-conf.int. 0.00929 - 0.02714)
22 ROUGE-S* Average_F: 0.01595 (95%-conf.int. 0.00957 - 0.02308)
---------------------------------------------
22 ROUGE-SU* Average_R: 0.04477 (95%-conf.int. 0.03270 - 0.05895)
22 ROUGE-SU* Average_P: 0.04262 (95%-conf.int. 0.02754 - 0.05872)
22 ROUGE-SU* Average_F: 0.03765 (95%-conf.int. 0.02812 - 0.04741)
---------------------------------------------
23 ROUGE-1 Average_R: 0.12235 (95%-conf.int. 0.08927 - 0.15829)
23 ROUGE-1 Average_P: 0.11503 (95%-conf.int. 0.08510 - 0.14914)
23 ROUGE-1 Average_F: 0.11823 (95%-conf.int. 0.08752 - 0.15313)
---------------------------------------------
23 ROUGE-2 Average_R: 0.00681 (95%-conf.int. 0.00000 - 0.01641)
23 ROUGE-2 Average_P: 0.00607 (95%-conf.int. 0.00000 - 0.01473)
23 ROUGE-2 Average_F: 0.00641 (95%-conf.int. 0.00000 - 0.01550)
---------------------------------------------
23 ROUGE-3 Average_R: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
23 ROUGE-3 Average_P: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
23 ROUGE-3 Average_F: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
---------------------------------------------
23 ROUGE-4 Average_R: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
23 ROUGE-4 Average_P: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
23 ROUGE-4 Average_F: 0.00000 (95%-conf.int. 0.00000 - 0.00000)
---------------------------------------------
23 ROUGE-L Average_R: 0.10965 (95%-conf.int. 0.08185 - 0.14105)
23 ROUGE-L Average_P: 0.10383 (95%-conf.int. 0.07819 - 0.13277)
23 ROUGE-L Average_F: 0.10635 (95%-conf.int. 0.07990 - 0.13597)
---------------------------------------------
23 ROUGE-W-1.2 Average_R: 0.06674 (95%-conf.int. 0.05082 - 0.08413)
23 ROUGE-W-1.2 Average_P: 0.10003 (95%-conf.int. 0.07684 - 0.12576)
23 ROUGE-W-1.2 Average_F: 0.07981 (95%-conf.int. 0.06101 - 0.10034)
---------------------------------------------
23 ROUGE-S* Average_R: 0.01001 (95%-conf.int. 0.00430 - 0.01689)
23 ROUGE-S* Average_P: 0.00899 (95%-conf.int. 0.00360 - 0.01568)
23 ROUGE-S* Average_F: 0.00939 (95%-conf.int. 0.00387 - 0.01613)
---------------------------------------------
23 ROUGE-SU* Average_R: 0.02865 (95%-conf.int. 0.01887 - 0.04049)
23 ROUGE-SU* Average_P: 0.02590 (95%-conf.int. 0.01739 - 0.03617)
23 ROUGE-SU* Average_F: 0.02692 (95%-conf.int. 0.01793 - 0.03771)
---------------------------------------------
24 ROUGE-1 Average_R: 0.28540 (95%-conf.int. 0.23134 - 0.34089)
24 ROUGE-1 Average_P: 0.27811 (95%-conf.int. 0.20830 - 0.35585)
24 ROUGE-1 Average_F: 0.26995 (95%-conf.int. 0.21567 - 0.32693)
---------------------------------------------
24 ROUGE-2 Average_R: 0.09309 (95%-conf.int. 0.05629 - 0.13592)
24 ROUGE-2 Average_P: 0.11162 (95%-conf.int. 0.05591 - 0.18063)
24 ROUGE-2 Average_F: 0.09350 (95%-conf.int. 0.05490 - 0.13769)
---------------------------------------------
24 ROUGE-3 Average_R: 0.03075 (95%-conf.int. 0.01081 - 0.05737)
24 ROUGE-3 Average_P: 0.04022 (95%-conf.int. 0.00900 - 0.08575)
24 ROUGE-3 Average_F: 0.03122 (95%-conf.int. 0.00986 - 0.05847)
---------------------------------------------
24 ROUGE-4 Average_R: 0.00860 (95%-conf.int. 0.00000 - 0.02009)
24 ROUGE-4 Average_P: 0.00703 (95%-conf.int. 0.00000 - 0.01639)
24 ROUGE-4 Average_F: 0.00774 (95%-conf.int. 0.00000 - 0.01805)
---------------------------------------------
24 ROUGE-L Average_R: 0.24161 (95%-conf.int. 0.19599 - 0.29178)
24 ROUGE-L Average_P: 0.24108 (95%-conf.int. 0.17423 - 0.31614)
24 ROUGE-L Average_F: 0.23010 (95%-conf.int. 0.18351 - 0.28161)
---------------------------------------------
24 ROUGE-W-1.2 Average_R: 0.14412 (95%-conf.int. 0.11828 - 0.17208)
24 ROUGE-W-1.2 Average_P: 0.22825 (95%-conf.int. 0.16623 - 0.30239)
24 ROUGE-W-1.2 Average_F: 0.16917 (95%-conf.int. 0.13670 - 0.20511)
---------------------------------------------
24 ROUGE-S* Average_R: 0.06608 (95%-conf.int. 0.04152 - 0.09971)
24 ROUGE-S* Average_P: 0.08502 (95%-conf.int. 0.04014 - 0.13988)
24 ROUGE-S* Average_F: 0.05949 (95%-conf.int. 0.03719 - 0.08882)
---------------------------------------------
24 ROUGE-SU* Average_R: 0.10433 (95%-conf.int. 0.07587 - 0.14102)
24 ROUGE-SU* Average_P: 0.12555 (95%-conf.int. 0.06607 - 0.19873)
24 ROUGE-SU* Average_F: 0.09434 (95%-conf.int. 0.06742 - 0.12844)
omnisky@omnisky:~/software/ROUGE-1.5.5$

【拥抱AI】浅谈Prompt的书写规范及要点奔跑草- 人工智能人工智能 prompt RAG AI编程大模型 LLM AI Agent
Prompt是什么？Prompt是一种技术，它通过自然语言处理来引导用户与机器之间的交互。在人工智能领域，Prompt通常用于生成文本，例如对话系统、机器翻译和文本摘要等应用。它也用于训练模型，以使其能够理解和生成人类语言。Prompt的工作原理是通过建立相应的语料库和语义解析模型，将自然语言转换为机器可识别的指令。在大模型时代，Prompt的使用尤为重要，因为它可以帮助模型更好地理解用户的意图并
Transformer模型在文本摘要任务中的应用与性能分析 liuxin33445566 transformer 深度学习人工智能
Transformer模型自从由Vaswani等人在2017年提出以来，已经在自然语言处理（NLP）的多个领域取得了显著的成果，尤其是在文本摘要任务中。文本摘要是将长文本转换成更短的、包含关键信息的文本的过程。本文将探讨Transformer模型在文本摘要任务中的应用，并分析其性能表现。1.Transformer模型简介Transformer模型是一种基于自注意力机制的神经网络架构，它摆脱了传统的
深度探索：机器学习中的序列到序列模型（Seq2Seq）原理及其应用生瓜蛋子机器学习机器学习人工智能
目录1.引言与背景2.庞特里亚金定理与动态规划3.算法原理4.算法实现5.优缺点分析优点缺点6.案例应用7.对比与其他算法8.结论与展望1.引言与背景在当今信息爆炸的时代，机器学习作为人工智能领域的核心驱动力，正以前所未有的深度和广度渗透进我们的日常生活。从语言翻译、文本摘要、语音识别到对话系统，众多自然语言处理（NLP）任务的成功解决离不开一种强大的模型架构——序列到序列（Sequence-to
快速使用transformers的pipeline实现各种深度学习任务 E寻数据 huggingface 计算机视觉 nlp 深度学习人工智能 python pipeline transformers
目录引言安装情感分析文本生成文本摘要图片分类实例分割目标检测音频分类自动语音识别视觉问答文档问题回答图文描述引言在这篇中文博客中，我们将深入探讨使用transformers库中的pipeline()函数，它为预训练模型提供了一个简单且快速的推理方法。pipeline()函数支持多种任务，包括文本分类、文本生成、摘要生成、图像分类、图像分割、对象检测、音频分类、自动语音识别、视觉问题回答、文档问题回
人工智能领域--RAG技术胡萝卜不甜机器学习人工智能 python 学习算法
今天带大家来学习一下RAG技术，尤其在在大模型中应用广泛。一.RAG（RetrievalAugmentedGeneration）检索增强生成RAG，即Retrieval-AugmentedGeneration（检索增强的生成），是一种结合了检索（Retrieval）和生成（Generation）机制的人工智能技术，常用于提升自然语言处理（NLP）任务的性能，尤其是在问答系统、文本摘要、对话系统等领
#LLM入门|Prompt#1.4_文本概括_Summarizing 向日葵花籽儿 LLM入门教程笔记 prompt 人工智能 AIGC
文本摘要的重要性和功能优势重要性帮助处理海量文本信息：在信息时代，处理大量文本信息是常见挑战之一。节省时间：通过摘要，可以迅速获取文本的核心内容，节省阅读时间。提高效率：摘要可以帮助用户快速了解文本的要点，提高工作效率。功能优势简化复杂文本：摘要功能能够将复杂文本内容简化，提炼出关键观点和信息。提取关键信息：摘要可以准确提取文本中的关键信息，帮助用户迅速获取所需内容。增强可读性：摘要生成的内容通常
pyhanlp最全安装和使用教程 Cachel wood 自然语言处理nlp 分类数据挖掘人工智能 python pandas pyhanlp nlp
文章目录pyhanlp介绍pyhanlp安装分词关键词提取文本摘要依存句法分析短语提取NER中国人名识别音译名识别简繁转换拼音转换pyhanlp可视化pyhanlp介绍HanLP是一个由中国开发者何晗(hankcs)于2014年开发的自然语言处理库，自发布之后，HanLP不断更新迭代，进行了许多新功能和性能的优化，Github上Star数量已超过3w，其在主流自然语言工具包中非常受欢迎。HanLP
Bert与ChatGPT ALGORITHM LOL bert chatgpt 人工智能
1.Bert模型BERT（BidirectionalEncoderRepresentationsfromTransformers）是一种预训练语言表示的方法，由GoogleAI在2018年提出。它标志着自然语言处理（NLP）领域的一个重大进步，因为它能够理解单词在不同上下文中的含义，从而显著提高了机器翻译、问答系统、文本摘要等任务的性能。核心概念双向Transformer:BERT的核心是Tran
Rouge评估方法介绍及使用神奇的布欧 nlp 自然语言处理深度学习人工智能 python 机器翻译
Rouge评估方法的使用文本摘要评估方法介绍：内部评价方法：提供参考摘要，以参考摘要为基准评价系统摘要的质量。系统摘要与参考摘要越吻合，质量越高。Edmundson:适于抽取式文本摘要，比较机械文摘(自动文摘系统得到的文摘)与目标文摘(从原文中抽取的句子)的句子重合率的高低对系统摘要进行评价。计算公式：重合率p=匹配句子数/专家文摘句子数*100%每一个机械文摘的重合率为按三个专家给出的文摘得到的
通义千文大模型API调用示例(python) 孝钦显皇后给过版权费了深度学习 python
API详情通义千问是阿里云自主研发的大语言模型，能够在用户自然语言输入的基础上，通过自然语言理解和语义分析，理解用户意图，在不同领域、任务内为用户提供服务和帮助。您可以通过提供尽可能清晰详细的指令，来获取更符合您预期的结果。模型具备的能力包括但不限于：创作文字，如写故事、写公文、写邮件、写剧本、写诗歌等编写代码提供各类语言的翻译服务，如英语、日语、法语、西班牙语等进行文本润色和文本摘要等工作扮演角
#NLP|文本生成#全网最全方法一篇搞定文本摘要\关键字提取，包含SnowNLP|TextRank4ZH|大模型|TF-IDF 向日葵花籽儿 NLP 自然语言处理 tf-idf AIGC NLP TextRank4ZH snownlp LDA
SnowNLP介绍SnowNLP是一个python写的类库，可以方便的处理中文文本内容，是受到了TextBlob的启发而写的，由于现在大部分的自然语言处理库基本都是针对英文的，于是写了一个方便处理中文的类库，并且和TextBlob不同的是，这里没有用NLTK，所有的算法都是自己实现的，并且自带了一些训练好的字典。注意本程序都是处理的unicode编码，所以使用时请自行decode成unicode。
自然语言处理中的查准率与查全率的关键技术，以及自然语言处理中的查准率与查全率具体实例与策略代码讲故事机器人智慧之心自然语言处理人工智能 NLP 情感分析文本分类查全率查准率
自然语言处理中的查准率与查全率的关键技术，以及自然语言处理中的查准率与查全率具体实例与策略。1.背景介绍自然语言处理（NLP，NaturalLanguageProcessing）是人工智能领域的一个重要分支，其主要目标是让计算机能够理解、生成和处理人类语言。自然语言处理涉及到许多子领域，如语音识别、机器翻译、情感分析、文本摘要、文本分类等。在这些任务中，查准率（Precision）和查全率（Rec
NLP论文阅读记录 - 2021 | WOS 基于多头自注意力机制和指针网络的文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.问题定义和解决问题的假设问题定义解决问题的假设三.本文方法3.1总结为两阶段学习3.1.1基础系统3.2重构文本摘要四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言Textsummarizationbasedonmulti-headself
NLP论文阅读记录 - 2021 | WOS 使用预训练的序列到序列模型进行土耳其语抽象文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作2.1预训练的序列到序列模型2.2抽象文本摘要三.本文方法3.1总结为两阶段学习3.1.1基础系统3.2重构文本摘要四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言Turkishabstractivetextsummarizatio
NLP论文阅读记录 - 2022 | WOS 04.基于 XAI 的强化学习方法，用于社交物联网内容的文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作三.本文方法3.1总结为两阶段学习3.1.1基础系统3.2重构文本摘要四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言XAI-BasedReinforcementLearningApproachforTextSummarizatio
科普大语言模型中的Embedding技术 AI明说 AIGC chatgpt AIGC 语言模型人工智能
什么是大语言模型？大语言模型是指使用大量的文本数据来训练的深度神经网络，它们可以学习语言的规律和知识，并且可以生成自然的文本。大语言模型的代表有GPT-3、BERT、XLNet等，它们在各种自然语言处理任务中都取得了很好的效果，例如机器翻译、问答、文本摘要等。什么是Embedding？Embedding是指将一个内容实体映射为低维向量，从而可以获得内容之间的相似度。例如，我们可以将一个单词映射为一
基于Python的文本摘要提取豆本-豆豆奶 python 数据库算法爬虫开发语言深度学习
在今天的信息爆炸时代，我们每天都会接收到大量的信息，但是我们的时间和精力是有限的。因此，文本摘要提取成为了一种非常有价值的技术。本文将介绍如何使用Python进行文本摘要提取，让我们能够更快速地获取关键信息，提高工作效率。一、文本摘要任务简介文本摘要旨在将文本或文本集合转换为包含关键信息的简短摘要。文本摘要按照输入类型可分为单文档摘要和多文档摘要。单文档摘要从给定的一个文档中生成摘要，多文档摘要从
NLP论文阅读记录 - 2022 | WOS 02 使用 BERT 模型进行抽取式文本摘要的性能研究 yuyuyu_xxx NLP 自然语言处理论文阅读 bert
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.文献综述2.1总结方法三.本文方法3.1总结为两阶段学习3.1.1基础系统3.2重构文本摘要四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言PerformanceStudyonExtractiveTextSummarizationUsing
NLP论文阅读记录 - 2021 | WOS 03 带有语义附加奖励的强化抽象文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作三.本文方法3.1总结为两阶段学习3.1.1基础系统3.2重构文本摘要四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言ReinforcedAbstractiveTextSummarizationWithSemanticAddedRe
NLP论文阅读记录 - 2022 | W0S 基于文本概念的多目标剪枝观点文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读剪枝
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.文本摘要的文献综述和分类2.1文本摘要分类2.2以前的作品三.本文方法3.1总结为两阶段学习3.1.1基础系统3.2重构文本摘要四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言Opiniontextssummarizationbasedon
CNN/DailyMail训练文本摘要模型朱雀333 人工智能人工智能
要使用TensorFlowDatasets(TFDS)来训练一个文本摘要模型，可以选择一个包含文章和摘要的数据集，例如CNN/DailyMail数据集。这个数据集通常用于训练和评估文本摘要模型。以下是使用TFDS加载数据集并训练一个简单的序列到序列(seq2seq)模型的过程。首先，确保安装了TensorFlowDatasets：pipinstalltensorflowtensorflow-dat
NLP论文阅读记录 - 2021 | WOS 利用 ParsBERT 和预训练 mT5 进行波斯语抽象文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.前提三.本文方法A.序列到序列ParsBERTB、mT5四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言LeveragingParsBERTandPretrainedmT5forPersianAbstractiveTextSummariza
NLP论文阅读记录 - 2021 | WOS 使用 GA-HC 和 PSO-HC 改进新闻文章的文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试二.相关工作三.本文方法3.1总结为两阶段学习3.1.1基础系统3.2重构文本摘要四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言ImprovedTextSummarizationofNewsArticlesUsingGA-HCandPSO-HC（21）0、
NLP论文阅读记录 - 2021 | WOS01 通过对比学习增强 Seq2Seq 自动编码器进行抽象文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读学习
文章目录前言0、论文摘要一、Introduction1.1目标问题1.3本文贡献二.相关工作三.本文方法A文档增强B.自我监督对比学习C.序列到序列架构四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结前言EnhancedSeq2SeqAutoencoderviaContrastiveLearningforAbstractiveTextSummar
NLP论文阅读记录 - 2022 | WOS 数据驱动的英文文本摘要抽取模型的构建与应用 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作三.本文方法四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结前言ConstructionandApplicationofaData-DrivenAbstractExtractionModelforEnglishText（2204）0、论文摘
NLP论文阅读记录 - 2022 | WOS 一种新颖的优化的与语言无关的文本摘要技术 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.前提三.本文方法四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言ANovelOptimizedLanguage-IndependentTextSummarizationTechnique（2204）0、论文摘要大量文本数据以多种语言以电子方
NLP论文阅读记录 - 2021 | WOS 使用深度强化学习及其他技术进行自动文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作2.1.Seq2seq模型2.2.强化学习和序列生成2.3.自动文本摘要三.本文方法四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言AutomaticTextSummarizationUsingDeepReinforcementLe
NLP论文阅读记录 - 2021 | WOS 智能树提取文本摘要深度学习 yuyuyu_xxx NLP 自然语言处理论文阅读深度学习
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.前提三.本文方法四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言AnIntelligentTreeExtractiveTextSummarizationDeepLearning（21）0、论文摘要在最近的研究中，深度学习算法为自然语言提供了
NLP论文阅读记录 - | 使用 BRIO 训练范式进行抽象文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction二.相关工作三.本文方法四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果标准抽象模型微调抽象模型微调抽象模型和BRIO微调抽象模型和BRIO-Loop五总结结论局限前言AbstractiveTextSummarizationUsingtheBRIOTrainingParadigm（2305）codepaper0、论文
NLP论文阅读记录 - 2021 | 使用深度强化模型耦合上下文单词表示和注意机制的自动文本摘要 yuyuyu_xxx NLP 自然语言处理论文阅读人工智能
文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作2.1单词表示2.2文本摘要方法三.本文方法四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言Automatictextsummarizationusingdeepreinforcedmodelcouplingcontextualiz
Linux的Initrd机制被触发 linux
Linux 的 initrd 技术是一个非常普遍使用的机制，linux2.6 内核的 initrd 的文件格式由原来的文件系统镜像文件转变成了 cpio 格式，变化不仅反映在文件格式上， linux 内核对这两种格式的 initrd 的处理有着截然的不同。本文首先介绍了什么是 initrd 技术，然后分别介绍了 Linux2.4 内核和 2.6 内核的 initrd 的处理流程。最后通过对 Lin
maven本地仓库路径修改 bitcarter maven
默认maven本地仓库路径：C:\Users\Administrator\.m2 修改maven本地仓库路径方法： 1.打开E:\maven\apache-maven-2.2.1\conf\settings.xml 2.找到
XSD和XML中的命名空间 darrenzhu xml xsd schema namespace 命名空间
http://www.360doc.com/content/12/0418/10/9437165_204585479.shtml http://blog.csdn.net/wanghuan203/article/details/9203621 http://blog.csdn.net/wanghuan203/article/details/9204337 http://www.cn
Java 求素数运算周凡杨 java 算法素数
网络上对求素数之解数不胜数，我在此总结归纳一下，同时对一些编码，加以改进，效率有成倍热提高。第一种：原理: 6N(+-)1法任何一个自然数，总可以表示成为如下的形式之一： 6N，6N+1，6N+2，6N+3，6N+4，6N+5 (N=0，1，2，…)
java 单例模式 g21121 java
想必单例模式大家都不会陌生，有如下两种方式来实现单例模式： class Singleton { private static Singleton instance=new Singleton(); private Singleton(){} static Singleton getInstance() { return instance; }
Linux下Mysql源码安装 510888780 mysql
1.假设已经有mysql-5.6.23-linux-glibc2.5-x86_64.tar.gz (1)创建mysql的安装目录及数据库存放目录解压缩下载的源码包，目录结构，特殊指定的目录除外：
32位和64位操作系统墙头上一根草 32位和64位操作系统
32位和64位操作系统是指：CPU一次处理数据的能力是32位还是64位。现在市场上的CPU一般都是64位的，但是这些CPU并不是真正意义上的64 位CPU，里面依然保留了大部分32位的技术，只是进行了部分64位的改进。32位和64位的区别还涉及了内存的寻址方面，32位系统的最大寻址空间是2 的32次方= 4294967296（bit）= 4（GB）左右，而64位系统的最大寻址空间的寻址空间则达到了
我的spring学习笔记10-轻量级_Spring框架 aijuans Spring 3
一、问题提问： → 请简单介绍一下什么是轻量级？轻量级（Leightweight）是相对于一些重量级的容器来说的，比如Spring的核心是一个轻量级的容器，Spring的核心包在文件容量上只有不到1M大小，使用Spring核心包所需要的资源也是很少的，您甚至可以在小型设备中使用Spring。
mongodb 环境搭建及简单CURD antlove Web Install curd NoSQL mongo
一搭建mongodb环境 1. 在mongo官网下载mongodb 2. 在本地创建目录 "D:\Program Files\mongodb-win32-i386-2.6.4\data\db" 3. 运行mongodb服务 [mongod.exe --dbpath "D:\Program Files\mongodb-win32-i386-2.6.4\data\
数据字典和动态视图百合不是茶 oracle 数据字典动态视图系统和对象权限
数据字典（data dictionary）是 Oracle 数据库的一个重要组成部分，这是一组用于记录数据库信息的只读（read-only）表。随着数据库的启动而启动,数据库关闭时数据字典也关闭数据字典中包含数据库中所有方案对象（schema object）的定义(包括表，视图，索引，簇，同义词，序列，过程，函数，包，触发器等等) 数据库为一
多线程编程一般规则 bijian1013 java thread 多线程 java多线程
如果两个工两个以上的线程都修改一个对象，那么把执行修改的方法定义为被同步的，如果对象更新影响到只读方法，那么只读方法也要定义成同步的。不要滥用同步。如果在一个对象内的不同的方法访问的不是同一个数据，就不要将方法设置为synchronized的。
将文件或目录拷贝到另一个Linux系统的命令scp bijian1013 linux unix scp
一.功能说明 scp就是security copy，用于将文件或者目录从一个Linux系统拷贝到另一个Linux系统下。scp传输数据用的是SSH协议，保证了数据传输的安全，其格式如下： scp 远程用户名@IP地址：文件的绝对路径
【持久化框架MyBatis3五】MyBatis3一对多关联查询 bit1129 Mybatis3
以教员和课程为例介绍一对多关联关系，在这里认为一个教员可以叫多门课程，而一门课程只有1个教员教，这种关系在实际中不太常见，通过教员和课程是多对多的关系。示例数据：地址表： CREATE TABLE ADDRESSES ( ADDR_ID INT(11) NOT NULL AUTO_INCREMENT, STREET VAR
cookie状态判断引发的查找问题 bitcarter form cgi
先说一下我们的业务背景： 1.前台将图片和文本通过form表单提交到后台，图片我们都做了base64的编码，并且前台图片进行了压缩 2.form中action是一个cgi服务 3.后台cgi服务同时供PC，H5，APP 4.后台cgi中调用公共的cookie状态判断方法（公共的，大家都用，几年了没有问题）问题：（折腾两天。。。。） 1.PC端cgi服务正常调用，cookie判断没
通过Nginx,Tomcat访问日志(access log)记录请求耗时 ronin47
一、Nginx通过$upstream_response_time $request_time统计请求和后台服务响应时间 nginx.conf使用配置方式： log_format main '$remote_addr - $remote_user [$time_local] "$request" ''$status $body_bytes_sent "$http_r
java-67- n个骰子的点数。把n个骰子扔在地上，所有骰子朝上一面的点数之和为S。输入n，打印出S的所有可能的值出现的概率。 bylijinnan java
public class ProbabilityOfDice { /** * Q67 n个骰子的点数 * 把n个骰子扔在地上，所有骰子朝上一面的点数之和为S。输入n，打印出S的所有可能的值出现的概率。 * 在以下求解过程中，我们把骰子看作是有序的。 * 例如当n=2时，我们认为（1，2）和（2，1）是两种不同的情况 */ private stati
看别人的博客，觉得心情很好 Cb123456 博客心情
以为写博客，就是总结，就和日记一样吧，同时也在督促自己。今天看了好长时间博客: 职业规划: http://www.iteye.com/blogs/subjects/zhiyeguihua android学习: 1.http://byandby.i
[JWFD开源工作流]尝试用原生代码引擎实现循环反馈拓扑分析 comsci 工作流
我们已经不满足于仅仅跳跃一次，通过对引擎的升级，今天我测试了一下循环反馈模式，大概跑了200圈，引擎报一个溢出错误在一个流程图的结束节点中嵌入一段方程，每次引擎运行到这个节点的时候，通过实时编译器GM模块，计算这个方程，计算结果与预设值进行比较，符合条件则跳跃到开始节点，继续新一轮拓扑分析，直到遇到
JS常用的事件及方法 cwqcwqmax9 js
事件描述 onactivate 当对象设置为活动元素时触发。 onafterupdate 当成功更新数据源对象中的关联对象后在数据绑定对象上触发。 onbeforeactivate 对象要被设置为当前元素前立即触发。 onbeforecut 当选中区从文档中删除之前在源对象触发。 onbeforedeactivate 在 activeElement 从当前对象变为父文档其它对象之前立即
正则表达式验证日期格式 dashuaifu 正则表达式 IT其它 java其它
正则表达式验证日期格式 function isDate(d){ var v = d.match(/^(\d{4})-(\d{1,2})-(\d{1,2})$/i); if(!v) { this.focus(); return false; } } <input value="2000-8-8" onblu
Yii CModel.rules() 方法、validate预定义完整列表、以及说说验证 dcj3sjt126com yii
public array rules () {return} array 要调用 validate() 时应用的有效性规则。返回属性的有效性规则。声明验证规则，应重写此方法。每个规则是数组具有以下结构：array('attribute list', 'validator name', 'on'=>'scenario name', ...validation
UITextAttributeTextColor = deprecated in iOS 7.0 dcj3sjt126com ios
In this lesson we used the key "UITextAttributeTextColor" to change the color of the UINavigationBar appearance to white. This prompts a warning "first deprecated in iOS 7.0." Ins
判断一个数是质数的几种方法 EmmaZhao Math python
质数也叫素数，是只能被1和它本身整除的正整数，最小的质数是2，目前发现的最大的质数是p=2^57885161-1【注1】。判断一个数是质数的最简单的方法如下： def isPrime1(n): for i in range(2, n): if n % i == 0: return False return True 但是在上面的方法中有一些冗余的计算，所以
SpringSecurity工作原理小解读坏我一锅粥 SpringSecurity
SecurityContextPersistenceFilter ConcurrentSessionFilter WebAsyncManagerIntegrationFilter HeaderWriterFilter CsrfFilter LogoutFilter Use
JS实现自适应宽度的Tag切换 ini JavaScript html Web css html5
效果体验：http://hovertree.com/texiao/js/3.htm 该效果使用纯JavaScript代码，实现TAB页切换效果，TAB标签根据内容自适应宽度，点击TAB标签切换内容页。 HTML文件代码： <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"
Hbase Rest API : 数据查询 kane_xie REST hbase
hbase（hadoop）是用java编写的，有些语言（例如python）能够对它提供良好的支持，但也有很多语言使用起来并不是那么方便，比如c#只能通过thrift访问。Rest就能很好的解决这个问题。Hbase的org.apache.hadoop.hbase.rest包提供了rest接口，它内嵌了jetty作为servlet容器。启动命令：./bin/hbase rest s
JQuery实现鼠标拖动元素移动位置（源码+注释）明子健 jquery js 源码拖动鼠标
欢迎讨论指正！ print.html代码： <!DOCTYPE html> <html> <head> <meta http-equiv=Content-Type content="text/html;charset=utf-8"> <title>发票打印</title> &l
Postgresql 连表更新字段语法 update qifeifei PostgreSQL
下面这段sql本来目的是想更新条件下的数据，可是这段sql却更新了整个表的数据。sql如下： UPDATE tops_visa.visa_order SET op_audit_abort_pass_date = now() FROM tops_visa.visa_order as t1 INNER JOIN tops_visa.visa_visitor as t2 ON t1.
将redis,memcache结合使用的方案? tcrct redis cache
公司架构上使用了阿里云的服务，由于阿里的kvstore收费相当高，打算自建，自建后就需要自己维护，所以就有了一个想法，针对kvstore(redis)及ocs(memcache)的特点，想自己开发一个cache层，将需要用到list，set，map等redis方法的继续使用redis来完成，将整条记录放在memcache下，即findbyid，save等时就memcache，其它就对应使用redi
开发中遇到的诡异的bug wudixiaotie bug
今天我们服务器组遇到个问题：我们的服务是从Kafka里面取出数据，然后把offset存储到ssdb中，每个topic和partition都对应ssdb中不同的key，服务启动之后，每次kafka数据更新我们这边收到消息，然后存储之后就发现ssdb的值偶尔是-2,这就奇怪了，最开始我们是在代码中打印存储的日志，发现没什么问题，后来去查看ssdb的日志，才发现里面每次set的时候都会对同一个key

文本摘要评测工具ROUGE的搭建和测试

你可能感兴趣的:(文本摘要)