2023计算机领域顶会(A类)以及ACL 2023自然语言处理（NLP）研究子方向领域汇总

2023年的计算语言学协会年会（ACL 2023）共包含26个领域，代表着当前前计算语言学和自然语言处理研究的不同方面。每个领域都有一组相关联的关键字来描述其潜在的子领域， 这些子领域并非排他性的，它们只描述了最受关注的子领域，并希望能够对该领域包含的相关类型的工作提供一些更好的想法。

1.计算机领域顶会(A类)

会议简称 主要领域 会议全称 官网 截稿时间 会议时间
CVPR2023 计算机视觉 The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2023 https://cvpr2023.thecvf.com/ 2022.11.11 2023.6.18
ICCV2023 计算机视觉 IEEE International Conference on Computer Vision https://iccv2023.thecvf.com/ 2023.3.8 2023.9.30
ECCV2022 计算机视觉 European Conference on Computer Vision https://eccv2022.ecva.net/ ------- 2022.10.23
AAAI2023 人工智能 National Conference of the American Association for Artificial Intelligence https://aaai-23.aaai.org/ 2022.8.8 2023.2.7
IJCAI 2023 人工智能 National Conference of the American Association for Artificial Intelligence https://ijcai-22.org/# 2022.8.8 2023.2.7
NIPS2023 机器学习 International Joint Conference on Artificial Intelligence https://neurips.cc/Conferences/2022 2023.01 2023.07
ICML 2023 机器学习 International Conference on Machine Learning https://icml.cc/ 2023.01 2023.06.24
ICLR 2023 机器学习 International Conference on Learning Representations https://iclr.cc/Conferences/2023 2022.09.21 2023.05.01
ICSE 2023 软件工程 International Conference on Software Engineering https://conf.researchr.org/home/icse-2023 2022.09.01 2023.05.14
SIGKDD 2023 数据挖掘 ACM International Conference on Knowledge Discovery and Data Mining https://kdd.org/kdd2022/index.html 2023.02 2023.08
SIGIR 2023 数据挖掘 ACM International Conference on Research and Development in Information Retrieval https://sigir.org/sigir2022/ 2023.01 2023.07
ACL 2023 计算语言 Association of Computational Linguistics https://www.2022.aclweb.org/ 2022.11 2023.05
ACM MM 2023 多媒体 ACM International Conference on Multimedia https://2023.acmmmsys.org/participation/important-dates/ 2022.11.18 2023.6.7
WWW2023 网络应用 International World Wide Web Conference https://www2023.thewebconf.org/ 2022.10.6 2023.05.01
SIGGRAPH 2023 图形学 ACM SIG International Conference on Computer Graphics and Interactive Techniques https://s2022.siggraph.org/ 2023.01 2023.08
CHI 2023 人机交互 ACM Conference on Human Factors in Computing Systems https://chi2023.acm.org/ 2022.09.08 2023.04.23
CSCW 2023 人机交互 ACM Conference on Computer Supported Cooperative Work and Social Computing https://cscw.acm.org/2023/ 2023.01.15 2023.10.13
CCS 2023 信息安全 ACM Conference on Computer and Communications Security https://www.sigsac.org/ccs/CCS2022/ 2023.01 2023.11
VLDB 2023 数据管理 International Conference on Very Large Data Bases https://www.vldb.org/2023/?submission-guidelines 2023.03.01 2023.08.28
STOC 2023 计算机理论 ACM Symposium on the Theory of Computing http://acm-stoc.org/stoc2022/ 2022.11 2023.06

2.ACL 2023自然语言处理（NLP）研究子方向领域汇总

（一）计算社会科学和文化分析 (Computational Social Science and Cultural Analytics)

  1. 人类行为分析 (Human behavior analysis)
  2. 态度检测 (Stance detection)
  3. 框架检测和分析 (Frame detection and analysis)
  4. 仇恨言论检测 (Hate speech detection)
  5. 错误信息检测和分析 (Misinformation detection and analysis)
  6. 人口心理画像预测 (psycho-demographic trait prediction)
  7. 情绪检测和分析 (emotion detection and analysis)
  8. 表情符号预测和分析 (emoji prediction and analysis)
  9. 语言和文化偏见分析 (language/cultural bias analysis)
  10. 人机交互 (human-computer interaction)
  11. 社会语言学 (sociolinguistics)
  12. 用于社会分析的自然语言处理工具 (NLP tools for social analysis)
  13. 新闻和社交媒体的定量分析 (quantiative analyses of news and/or social media)

（二）对话和交互系统 (Dialogue and Interactive Systems)

  1. 口语对话系统 (Spoken dialogue systems)
  2. 评价指标 (Evaluation and metrics)
  3. 任务型 (Task-oriented)
  4. 人工介入 (Human-in-a-loop)
  5. 偏见和毒性 (Bias/toxity)
  6. 事实性 (Factuality)
  7. 检索 (Retrieval)
  8. 知识增强 (Knowledge augmented)
  9. 常识推理 (Commonsense reasoning)
  10. 互动讲故事 (Interactive storytelling)
  11. 具象代理人 (Embodied agents)
  12. 应用 (Applications)
  13. 多模态对话系统 (Multi-modal dialogue systems)
  14. 知识驱动对话 (Grounded dialog)
  15. 多语言和低资源 (Multilingual / low-resource)
  16. 对话状态追踪 (Dialogue state tracking)
  17. 对话建模 (Conversational modeling)

（三）话语和语用学 (Discourse and Pragmatics)

  1. 回指消解 (Anaphora resolution)
  2. 共指消解 (Coreference resolution)
  3. 桥接消解 (Bridging resolution)
  4. 连贯 (Coherence)
  5. 一致 (Cohesion)
  6. 话语关系 (Discourse relations)
  7. 话语分析 (Discourse parsing)
  8. 对话 (Dialogue)
  9. 会话 (Conversation)
  10. 话语和多语性 (Dialugue and multilinguality)
  11. 观点挖掘 (Argument mining)
  12. 交际 (Communication)

（四）自然语言处理和伦理 (Ethics and NLP)

  1. 数据伦理 (Data ethics)
  2. 模型偏见和公正性评价 (Model bias/fairness evaluation)
  3. 减少模型的偏见和不公平性 (Model bias/unfairness mitigation)
  4. 自然语言处理中的人类因素 (Human factors in NLP)
  5. 参与式和基于社群的自然语言处理 (Participatory/community-based NLP)
  6. 自然语言处理应用中的道德考虑 (Ethical considerations in NLP)
  7. 透明性 (Transparency)
  8. 政策和治理 (Policy and governance)
  9. 观点和批评 (Reflections and critiques)

（五）语言生成 (Generation)

  1. 人工评价 (Human evaluation)
  2. 自动评价 (Automatic evaluation)
  3. 多语言 (Multilingualism)
  4. 高效模型 (Efficient models)
  5. 少样本生成 (Few-shot generation)
  6. 分析 (Analysis)
  7. 领域适应 (Domain adaptation)
  8. 数据到文本生成 (Data-to-text generation)
  9. 文本到文博生成 (Text-to-text generation)
  10. 推断方法 (Inference methods)
  11. 模型结构 (Model architectures)
  12. 检索增强生成 (Retrieval-augmented generation)
  13. 交互和合作生成 (Interactive and collaborative generation)

（六）信息抽取 (Information Extraction)

  1. 命名实体识别和关系抽取 (Named entity recognition and relation extraction)
  2. 事件抽取 (Event extraction)
  3. 开放信息抽取 (Open information extraction)
  4. 知识库构建 (Knowledge base construction)
  5. 实体连接和消歧 (Entity linking and disambiguation)
  6. 文档级抽取 (Document-level extraction)
  7. 多语言抽取 (Multilingual extraction)
  8. 小样本和零样本抽取 (Zero-/few-shot extraction)

（七）信息检索和文本挖掘 (Information Retrieval and Text Mining)

  1. 段落检索 (Passage retrieval)
  2. 密集检索 (Dense retrieval)
  3. 文档表征 (Document representation)
  4. 哈希 (Hashing)
  5. 重排序 (Re-ranking)
  6. 预训练 (Pre-training)
  7. 对比学习 (Constrastive learning)

（八）自然语言处理模型的可解释性与分析 (Interpretability and Analysis of Models in NLP)

  1. 对抗性攻击/例子/训练 (Adversarial attacks/examples/training)
  2. 校正和不确定性 (Calibration/uncertainty)
  3. 反事实和对比解释 (Counterfactual/contrastive explanations)
  4. 数据影响 (Data influence)
  5. 数据瑕疵 (Data shortcuts/artifacts)
  6. 解释的忠诚度 (Explantion faithfulness)
  7. 特征归因 (Feature attribution)
  8. 自由文本和自然语言解释 (Free-text/natural language explanation)
  9. 样本硬度 (Hardness of samples)
  10. 结构和概念解释 (Hierarchical & concept explanations)
  11. 以人为主体的应用评估 (Human-subject application-grounded evaluations)
  12. 知识追溯、发现和推导 (Knowledge tracing/discovering/inducing)
  13. 探究 (Probing)
  14. 稳健性 (Robustness)
  15. 话题建模 (Topic modeling)

（九）视觉、机器人等领域的语言基础 (Language Grounding to Vision, Robotics and Beyond)

  1. 视觉语言导航 (Visual Language Navigation)
  2. 跨模态预训练 (Cross-modal pretraining)
  3. 图像文本匹配 (Image text macthing)
  4. 跨模态内容生成 (Cross-modal content generation)
  5. 视觉问答 (Visual question answering)
  6. 跨模态应用 (Cross-modal application)
  7. 跨模态信息抽取 (Cross-modal information extraction)
  8. 跨模态机器翻译 (Cross-modal machine translation)

（十）大模型(Large Language Models)

  1. 预训练 (Pre-training)
  2. 提示 (Prompting)
  3. 规模化 (Scaling)
  4. 稀疏模型 (Sparse models)
  5. 检索增强模型 (Retrieval-augmented models)
  6. 伦理 (Ethics)
  7. 可解释性和分析 (Interpretability/Analysis)
  8. 连续学习 (Continual learning)
  9. 安全和隐私 (Security and privacy)
  10. 应用 (Applications)
  11. 稳健性 (Robustness)
  12. 微调 (Fine-tuning)

（十一）语言多样性 (Language Diversity)

  1. 少资源语言 (Less-resource languages)
  2. 濒危语言 (Endangered languages)
  3. 土著语言 (Indigenous languages)
  4. 少数民族语言 (Minoritized languages)
  5. 语言记录 (Language documentation)
  6. 少资源语言的资源 (Resources for less-resourced languages)
  7. 软件和工具 (Software and tools)

（十二）语言学理论、认知建模和心理语言学 (Linguistic Theories, Cognitive Modeling and Psycholinguistics)

  1. 语言学理论 (Linguistic theories)
  2. 认知建模 (Cognitive modeling)
  3. 计算心理语言学 (Computational pyscholinguistics)

（十三）自然语言处理中的机器学习 (Machine Learning for NLP)

  1. 基于图的方法 (Graph-based methods)
  2. 知识增强的方法 (Knowledge-augmented methods)
  3. 多任务学习 (Multi-task learning)
  4. 自监督学习 (Self-supervised learning)
  5. 对比学习 (Contrastive learning)
  6. 生成模型 (Generation model)
  7. 数据增强 (Data augmentation)
  8. 词嵌入 (Word embedding)
  9. 结构化预测 (Structured prediction)
  10. 迁移学习和领域适应 (Transfer learning / domain adaptation)
  11. 表征学习 (Representation learning)
  12. 泛化 (Generalization)
  13. 模型压缩方法 (Model compression methods)
  14. 参数高效的微调方法 (Parameter-efficient finetuning)
  15. 少样本学习 (Few-shot learning)
  16. 强化学习 (Reinforcement learning)
  17. 优化方法 (Optimization methods)
  18. 连续学习 (Continual learning)
  19. 对抗学习 (Adversarial training)
  20. 元学习 (Meta learning)
  21. 因果关系 (Causality)
  22. 图模型 (Graphical models)
  23. 人参与的学习和主动学习 (Human-in-a-loop / Active learning)

（十四）机器翻译 (Machine Translation)

  1. 自动评价 (Automatic evaluation)
  2. 偏见 (Biases)
  3. 领域适应 (Domain adaptation)
  4. 机器翻译的高效推理方法 (Efficient inference for MT)
  5. 高效机器翻译训练 (Efficient MT training)
  6. 少样本和零样本机器翻译 (Few-/Zero-shot MT)
  7. 人工评价 (Human evaluation)
  8. 交互机器翻译 (Interactive MT)
  9. 机器翻译部署和维护 (MT deployment and maintainence)
  10. 机器翻译理论 (MT theory)
  11. 建模 (Modeling)
  12. 多语言机器翻译 (Multilingual MT)
  13. 多模态 (Multimodality)
  14. 机器翻译的线上运用 (Online adaptation for MT)
  15. 并行解码和非自回归的机器翻译 (Parallel decoding/non-autoregressive MT)
  16. 机器翻译预训练 (Pre-training for MT)
  17. 规模化 (Scaling)
  18. 语音翻译 (Speech translation)
  19. 转码翻译 (Code-switching translation)
  20. 词表学习 (Vocabulary learning)

（十五）多语言和跨语言自然语言处理 (Multilingualism and Cross-Lingual NLP)

  1. 转码 (Code-switching)
  2. 混合语言 (Mixed language)
  3. 多语言 (Multilingualism)
  4. 语言接触 (Language contact)
  5. 语言变迁 (Language change)
  6. 语言变体 (Language variation)
  7. 跨语言迁移 (Cross-lingual transfer)
  8. 多语言表征 (Multilingual representation)
  9. 多语言预训练 (Multilingual pre-training)
  10. 多语言基线 (Multilingual benchmark)
  11. 多语言评价 (Multilingual evaluation)
  12. 方言和语言变种 (Dialects and language varieties)

（十六）自然语言处理应用 (NLP Applications)

  1. 教育应用、语法纠错、文章打分 (Educational applications, GEC, essay scoring)
  2. 仇恨言论检测 (Hate speech detection)
  3. 多模态应用 (Multimodal applications)
  4. 代码生成和理解 (Code generation and understanding)
  5. 事实检测、谣言和错误信息检测 (Fact checking, rumour/misinformation detection)
  6. 医疗应用、诊断自然语言处理 (Healthcare applications, clinical NLP)
  7. 金融和商务自然语言处理 (Financial/business NLP)
  8. 法律自然语言处理 (Legal NLP)
  9. 数学自然语言处理 (Mathematical NLP)
  10. 安全和隐私 (Security/privacy)
  11. 历史自然语言处理 (Historical NLP)
  12. 知识图谱 (Knowledge graph)

（十七）音系学、形态学和词语分割 (Phonology, Morphology and Word Segmentation)

  1. 形态变化 (Morphological inflection)
  2. 范式归纳 (Paradigm induction)
  3. 形态学分割 (Morphological segementation)
  4. 子词表征 (Subword representations)
  5. 中文分割 (Chinese segmentation)
  6. 词性还原 (Lemmatization)
  7. 有限元形态学 (Finite-state morphology)
  8. 形态学分析 (Morphological analysis)
  9. 音系学 (Phonology)
  10. 字素音素转换 (Grapheme-to-phoneme conversion)
  11. 发音建模 (Pronunciation modeling)

（十八）问答 (Question Answering)

  1. 常识问答 (Commonsense QA)
  2. 阅读理解 (Reading comprehension)
  3. 逻辑推理 (Logic reasoning)
  4. 多模态问答 (Multimodal QA)
  5. 知识库问答 (Knowledge base QA)
  6. 语义分析 (Semantic parsing)
  7. 多跳问答 (Multihop QA)
  8. 生物医学问答 (Biomedical QA)
  9. 多语言问答 (Multilingual QA)
  10. 可解释性 (Interpretability)
  11. 泛化 (Generalization)
  12. 推理 (Reasoning)
  13. 对话问答 (Conversational QA)
  14. 少样本问答 (Few-shot QA)
  15. 数学问答 (Math QA)
  16. 表格问答 (Table QA)
  17. 开放域问答 (Open-domain QA)
  18. 问题生成 (Question generation)

（十九）语言资源及评价 (Resources and Evaluation)

  1. 语料库构建 (Corpus creation)
  2. 基线构建 (Benchmarking)
  3. 语言资源 (Language resources)
  4. 多语言语料库 (Multilingual corpora)
  5. 词表构建 (Lexicon creation)
  6. 语言资源的自动构建与评价 (Automatic creation and evaluation of language
    resources)
  7. 自然语言处理数据集 (NLP datasets)
  8. 数据集自动评价 (Automatic evaluation of datasets)
  9. 评价方法 (Evaluation methodologies)
  10. 低资源语言数据集 (Datasets for low resource languages)
  11. 测量指标 (Metrics)
  12. 复现性 (Reproducibility)
  13. 用于评价的统计检验 (Statistical testing for evaluation)

（二十）语义学：词汇层面 (Semantics: Lexical)

  1. 一词多义 (Polysemy)
  2. 词汇关系 (Lexical relationships)
  3. 文本蕴含 (Textual entailment)
  4. 语义合成性 (Compositionality)
  5. 多词表达 (Multi-word expressions)
  6. 同义转换 (Paraphrasing)
  7. 隐喻 (Metaphor)
  8. 词汇语义变迁 (Lexical semantic change)
  9. 词嵌入 (Word embeddings)
  10. 认知 (Cognition)
  11. 词汇资源 (Lexical resources)
  12. 情感分析 (Sentiment analysis)
  13. 多语性 (Multilinguality)
  14. 可解释性 (Interpretability)
  15. 探索性研究 (Probing)

（二十一）语义学：句级语义、文本推断和其他领域 (Semantics: Sentence-Level Semantics, Textual Inference and Other Areas)

  1. 同义句识别 (Paraphrase recognition)
  2. 文本蕴含 (Textual entailment)
  3. 自然语言推理 (Natural language inference)
  4. 逻辑推理 (Reasoning)
  5. 文本语义相似性 (Semantic textual similarity)
  6. 短语和句子嵌入 (Phrase/sentence embedding)
  7. 同义句生成 (Paraphrase generation)
  8. 文本简化 (Text simiplification)
  9. 词和短语对齐 (Word/phrase alignment)

（二十二）情感分析、文本风格分析和论点挖掘 (Sentiment Analysis, Stylistic Analysis and Argument Mining)

  1. 论点挖掘 (Argument mining)
  2. 观点检测 (Stance detection)
  3. 论点质量评价 (Argument quality assessment)
  4. 修辞和框架 (Rhetoric and framing)
  5. 论证方案和推理 (Argument schemes and reasoning)
  6. 论点生成 (Argument generation)
  7. 风格分析 (Style analysis)
  8. 风格生成 (Style generation)
  9. 应用 (Applications)

（二十三）语音和多模态 (Speech and Multimodality)

  1. 自动语音识别 (Automatic speech recognition)
  2. 口语语言理解 (Spoken language understanding)
  3. 口语翻译 (Spoken language translation)
  4. 口语语言基础 (Spoken language grounding)
  5. 语音和视觉 (Speech and vision)
  6. 口语查询问答 (QA via spoken queries)
  7. 口语对话 (Spoken dialog)
  8. 视频处理 (Video processing)
  9. 语音基础 (Speech technologies)
  10. 多模态 (Multimodality)

（二十四）文摘 (Summarization)

  1. 抽取文摘 (Extractive summarization)
  2. 摘要文摘 (Abstractive summarization)
  3. 多模态文摘 (Multimodal summarization)
  4. 多语言文摘 (Multilingual summarization)
  5. 对话文摘 (Conversational summarization)
  6. 面向查询的文摘 (Query-focused summarization)
  7. 多文档文摘 (Multi-document summarization)
  8. 长格式文摘 (Long-form summarization)
  9. 句子压缩 (Sentence compression)
  10. 少样本文摘 (Few-shot summarization)
  11. 结构 (Architectures)
  12. 评价 (Evaluation)
  13. 事实性 (Factuality)

（二十五）句法学：标注、组块分析和句法分析 (Syntax: Tagging, Chunking and Parsing)

  1. 组块分析、浅层分析 (Chunking, shallow-parsing)
  2. 词性标注 (Part-of-speech tagging)
  3. 依存句法分析 (Dependency parsing)
  4. 成分句法分析 (Constituency parsing)
  5. 深层句法分析 (Deep syntax parsing)
  6. 语义分析 (Semantic parsing)
  7. 句法语义接口 (Syntax-semantic inferface)
  8. 形态句法相关任务的标注和数据集 (Optimized annotations or data set for morpho-syntax
    related tasks) 句法分析算法 (Parsing algorithms)
  9. 语法和基于知识的方法 (Grammar and knowledge-based approach)
  10. 多任务方法 (Multi-task approaches)
  11. 面向大型多语言的方法 (Massively multilingual oriented approaches)
  12. 低资源语言词性标注、句法分析和相关任务 (Low-resource languages pos-tagging, parsing
    and related tasks)
  13. 形态丰富语言的词性标注、句法分析和相关任务 (Morphologically-rich languages pos tagging,
    parsing and related tasks)

（二十六）主题领域：现实检测 (Theme Track: Reality Check)

  1. 因为错误的原因而正确 (Right for the wrong reasons)
  2. 实际运用中的教训 (Lessons from deployment)
  3. （非）泛化能力 [(Non-)generalization]
  4. （非）复现能力 [(Non-)reproducibility)]
  5. 评价 (Evaluation)
  6. 方法 (Methodology)
  7. 负面结果 (Negative results)
  8. 人工智能噱头和期待 (AI hype and expectations)
  9. 科学 vs 工程 (Science-vs-engineering)
  10. 其他领域的结合 (Lessons from other fields)

你可能感兴趣的:(2023计算机领域顶会(A类)以及ACL 2023自然语言处理（NLP）研究子方向领域汇总)

  • 斤斤计较的婚姻到底有多难？ 白心之岂必有为
    很多人私聊我会问到在哪个人群当中斤斤计较的人最多？我都会回答他，一般婚姻出现问题的斤斤计较的人士会非常多，以我多年经验，在婚姻落的一塌糊涂的人当中，斤斤计较的人数占比在20～30%以上，也就是说10个婚姻出现问题的斤斤计较的人有2-3个有多不减。在婚姻出问题当中，有大量的心理不平衡的、尖酸刻薄的怨妇。在婚姻中仅斤斤计较有两种类型：第一种是物质上的，另一种是精神上的。在物质与精神上抠门已经严重的影响
  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • 随笔 | 仙一般的灵气 海思沧海
    仙岛今天，我看了你全部，似乎已经进入你的世界我不知道，这是否是梦幻，还是你仙一般的灵气吸引了我也许每一个人都要有一份属于自己的追求，这样才能够符合人生的梦想，生活才能够充满着阳光与快乐我不知道，我为什么会这样的感叹，是在感叹自己的人生，还是感叹自己一直没有孜孜不倦的追求只感觉虚度了光阴，每天活在自己的梦中，活在一个不真实的世界是在逃避自己，还是在逃避周围的一切有时候我嘲笑自己，嘲笑自己如此的虚无，
  • 一百九十四章. 自相矛盾 巨木擎天
    唉！就这么一夜，林子感觉就像过了很多天似的，先是回了阳间家里，遇到了那么多不可思议的事情儿。特别是小伙伴们，第二次与自己见面时，僵硬的表情和恐怖的气氛，让自己如坐针毡，打从心眼里难受！还有东子，他现在还好吗？有没有被人欺负？护城河里的小鱼小虾们，还都在吗？水不会真的干枯了吧？那对相亲相爱漂亮的太平鸟儿，还好吧！春天了，到了做窝、下蛋、喂养小鸟宝宝的时候了，希望它们都能够平安啊！虽然没有看见家人，也
  • UI学习——cell的复用和自定义cell Magnetic_h ui学习
    目录cell的复用手动（非注册）自动（注册）自定义cellcell的复用在iOS开发中，单元格复用是一种提高表格（UITableView）和集合视图（UICollectionView）滚动性能的技术。当一个UITableViewCell或UICollectionViewCell首次需要显示时，如果没有可复用的单元格，则视图会创建一个新的单元格。一旦这个单元格滚动出屏幕，它就不会被销毁。相反，它被添
  • C语言如何定义宏函数？ 小九格物 c语言
    在C语言中，宏函数是通过预处理器定义的，它在编译之前替换代码中的宏调用。宏函数可以模拟函数的行为，但它们不是真正的函数，因为它们在编译时不会进行类型检查，也不会分配存储空间。宏函数的定义通常使用#define指令，后面跟着宏的名称和参数列表，以及宏展开后的代码。宏函数的定义方式：1.基本宏函数：这是最简单的宏函数形式，它直接定义一个表达式。#defineSQUARE(x)((x)*(x))2.带参
  • 小丽成长记（四十三） 玲玲54321
    小丽发现，即使她好不容易调整好自己的心态下一秒总会有不确定的伤脑筋的事出现，一个接一个的问题，人生就没有停下的时候，小问题不断出现。不过她今天看的书，她接受了人生就是不确定的，厉害的人就是不断创造确定性，在Ta的领域比别人多的确定性就能让自己脱颖而出，显示价值从而获得的比别人多的利益。正是这样的原因，因为从前修炼自己太少，使得她现在在人生道路上打怪起来困难重重，她似乎永远摆脱不了那种无力感，有种习
  • Cell Insight | 单细胞测序技术又一新发现，可用于HIV-1和Mtb共感染个体诊断 尐尐呅
    结核病是艾滋病合并其他疾病中导致患者死亡的主要原因。其中结核病由结核分枝杆菌（Mycobacteriumtuberculosis,Mtb）感染引起，获得性免疫缺陷综合症（艾滋病）由人免疫缺陷病毒（Humanimmunodeficiencyvirustype1,HIV-1）感染引起。国家感染性疾病临床医学研究中心/深圳市第三人民医院张国良团队携手深圳华大生命科学研究院吴靓团队，共同研究得出单细胞测序
  • 如何在 Fork 的 GitHub 项目中保留自己的修改并同步上游更新？github_fork_update iBaoxing github
    如何在Fork的GitHub项目中保留自己的修改并同步上游更新？在GitHub上Fork了一个项目后，你可能会对项目进行一些修改，同时原作者也在不断更新。如果想要在保留自己修改的基础上，同步原作者的最新更新，很多人会不知所措。本文将详细讲解如何在不丢失自己改动的情况下，将上游仓库的更新合并到自己的仓库中。问题描述假设你在GitHub上Fork了一个项目，并基于该项目做了一些修改，随后你发现原作者对
  • 扫地机类清洁产品之直流无刷电机控制 悟空胆好小 清洁服务机器人单片机人工智能
    扫地机类清洁产品之直流无刷电机控制1.1前言扫地机产品有很多的电机控制，滚刷电机1个，边刷电机1-2个，清水泵电机，风机一个，部分中高端产品支持抹布功能，也就是存在抹布盘电机，还有追觅科沃斯石头等边刷抬升电机，滚刷抬升电机等的，这些电机有直流有刷电机，直接无刷电机，步进电机，电磁阀，挪动泵等不同类型。电机的原理，驱动控制方式也不行。接下来一段时间的几个文章会作个专题分析分享。直流有刷电机会自动持续
  • 我校举行新老教师师徒结对仪式暨名师专业工作室工作交流活动 李蕾1229
    为促进我校教师专业发展，发挥骨干教师的引领带头作用，11月6日下午，我校举行新老教师师徒结对仪式暨名师专业工作室工作交流活动。图片发自App会议由教师发展处李蕾主任主持，首先，由范校长宣读新老教师结对名单及双方承担职责。随后，两位新调入教师陈玉萍、莫正杰分别和他们的师傅鲍元美、刘召彬老师签订了师徒结对协议书。图片发自App图片发自App师徒拥抱、握手。有了师傅就有了目标有了方向，相信两位新教师在师
  • 抖音乐买买怎么加入赚钱?赚钱方法是什么 测评君高省
    你会在抖音买东西吗?如果会，那么一定要免费注册一个乐买买，抖音直播间，橱窗，小视频里的小黄车买东西都可以返佣金!省下来都是自己的，分享还可以赚钱乐买买是好省旗下的抖音返佣平台，乐买买分析社交电商的价值，乐买买属于今年难得的副业项目风口机会，2019年错过做好省的搞钱的黄金时期，那么2022年千万别再错过乐买买至于我为何转到高省呢？当然是高省APP佣金更高，模式更好，终端用户不流失。【高省】是一个自
  • 2018-07-23-催眠日作业-#不一样的31天#-66小鹿 小鹿_33
    预言日：人总是在逃避命运的路上，与之不期而遇。心理学上有个著名的名词，叫做自证预言；经济学上也有一个很著名的定律叫做，墨菲定律；在灵修派上，还有一个很著名的法则，叫做吸引力法则。这3个领域的词，虽然看起来不太一样，但是他们都在告诉人们一个现象：你越担心什么，就越有可能会发生什么。同样的道理，你越想得到什么，就应该要积极地去创造什么。无论是自证预言，墨菲定律还是吸引力法则，对人都有正反2个维度的影响
  • 【一起学Rust | 设计模式】习惯语法——使用借用类型作为参数、格式化拼接字符串、构造函数 广龙宇 一起学Rust#Rust设计模式rust设计模式开发语言
    提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、使用借用类型作为参数二、格式化拼接字符串三、使用构造函数总结前言Rust不是传统的面向对象编程语言，它的所有特性，使其独一无二。因此，学习特定于Rust的设计模式是必要的。本系列文章为作者学习《Rust设计模式》的学习笔记以及自己的见解。因此，本系列文章的结构也与此书的结构相同（后续可能会调成结构），基本上分为三个部分
  • Python数据分析与可视化实战指南 William数据分析 pythonpython数据
    在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
  • 《庄子.达生9》 钱江潮369
    【原文】孔子观于吕梁，县水三十仞，流沫四十里，鼋鼍鱼鳖之所不能游也。见一丈夫游之，以为有苦而欲死也，使弟子并流而拯之。数百步而出，被发行歌而游于塘下。孔子从而问焉，曰：“吾以子为鬼，察子则人也。请问，‘蹈水有道乎’”曰：“亡，吾无道。吾始乎故，长乎性，成乎命。与齐俱入，与汩偕出，从水之道而不为私焉。此吾所以蹈之也。”孔子曰：“何谓始乎故，长乎性，成乎命？”曰：“吾生于陵而安于陵，故也；长于水而安于
  • 腾讯云技术深度探索：构建高效云原生微服务架构 我的运维人生 云原生架构腾讯云运维开发技术共享
    腾讯云技术深度探索：构建高效云原生微服务架构在当今快速发展的技术环境中，云原生技术已成为企业数字化转型的关键驱动力。腾讯云作为行业领先的云服务提供商，不断推出创新的产品和技术，助力企业构建高效、可扩展的云原生微服务架构。本文将深入探讨腾讯云在微服务领域的最新进展，并通过一个实际案例展示如何在腾讯云平台上构建云原生应用。腾讯云微服务架构概览腾讯云微服务架构基于云原生理念，旨在帮助企业快速实现应用的容
  • Pyecharts数据可视化大屏：打造沉浸式数据分析体验 我的运维人生 信息可视化数据分析数据挖掘运维开发技术共享
    Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
  • 怎么起诉借钱不还的人？怎样起诉欠款不还的人？ 影子爱学习
    怎么起诉借钱不还的人？怎样起诉欠款不还的人？如果遇到难以解决的法律问题，我们可以匹配专业律师。例如：婚姻家庭（离婚纠纷）、刑事辩护、合同纠纷、债权债务、房产（继承）纠纷、交通事故、劳动争议、人身损害、公司相关法律事务（法律顾问）等咨询推荐手机/微信:15633770876【全国案件皆可】借钱不还起诉对方需要哪些资料起诉欠钱不还的，一般需要的材料包括以下这些：借据、收据、欠条、付款凭证等证据，以及向
  • Goolge earth studio 进阶4——路径修改与平滑 陟彼高冈yu Googleearthstudio进阶教程旅游
    如果我们希望在大约中途时获得更多的城市鸟瞰视角。可以将相机拖动到这里并创建一个新的关键帧。camera_target_clip_7EarthStudio会自动平滑我们的路径，所以当我们通过这个关键帧时，不是一个生硬的角度，而是一个平滑的曲线。camera_target_clip_8路径上有贝塞尔控制手柄，允许我们调整路径的形状。右键单击，我们可以选择“平滑路径”，这是默认的自动平滑算法，或者我们可
  • 今日囧事 唯愿岁月可回首
    今天晚上，房东打来电话说晚上过来取个东西。晚上到家后，洗了一下水果，把卧室的空调打开，在卧室的阳台叠衣服。不一会儿，听见了敲门声，老公和丫头出去开门，果然是房东来了。由于我在叠衣服，床上比较乱，老公随手就把卧室门带上了。我赶紧把衣服收在柜子里，一拧门，好吧，打不开。听见外面热热闹闹的，我喊老公帮我开门，开了几次都开不开。丫头说：妈妈，你先在里面休息一会，我们正在找钥匙。听见外面房东拿了自己东西，老
  • LLM 词汇表 落难Coder LLMsNLP大语言模型大模型llama人工智能
    Contextwindow“上下文窗口”是指语言模型在生成新文本时能够回溯和参考的文本量。这不同于语言模型训练时所使用的大量数据集，而是代表了模型的“工作记忆”。较大的上下文窗口可以让模型理解和响应更复杂和更长的提示，而较小的上下文窗口可能会限制模型处理较长提示或在长时间对话中保持连贯性的能力。Fine-tuning微调是使用额外的数据进一步训练预训练语言模型的过程。这使得模型开始表示和模仿微调数
  • PHP环境搭建详细教程 好看资源平台 前端php
    PHP是一个流行的服务器端脚本语言，广泛用于Web开发。为了使PHP能够在本地或服务器上运行，我们需要搭建一个合适的PHP环境。本教程将结合最新资料，介绍在不同操作系统上搭建PHP开发环境的多种方法，包括Windows、macOS和Linux系统的安装步骤，以及本地和Docker环境的配置。1.PHP环境搭建概述PHP环境的搭建主要分为以下几类：集成开发环境：例如XAMPP、WAMP、MAMP，这
  • 下载github patch到本地 小米人er 我的博客gitpatch
    以下是几种从GitHub上下载以.patch结尾的补丁文件的方法：通过浏览器直接下载打开包含该.patch文件的GitHub仓库。在仓库的文件列表中找到对应的.patch文件。点击该文件，浏览器会显示文件的内容，在页面的右上角通常会有一个“Raw”按钮，点击它可以获取原始文件内容。然后在浏览器中使用快捷键（如Ctrl+S或者Command+S）将原始文件保存到本地，选择保存的文件名并确保后缀为.p
  • 关于提高复杂业务逻辑代码可读性的思考 编程经验分享 开发经验java数据库开发语言
    目录前言需求场景常规写法拆分方法领域对象总结前言实际工作中大部分时间都是在写业务逻辑，一般都是三层架构，表示层（Controller）接收客户端请求，并对入参做检验，业务逻辑层（Service）负责处理业务逻辑，一般开发都是在这一层中写具体的业务逻辑。数据访问层（Dao）是直接和数据库交互的，用于查数据给业务逻辑层，或者是将业务逻辑层处理后的数据写入数据库。简单的增删改查接口不用多说，基本上写好一
  • 18-115 一切思考不能有效转化为行动，都TM是扯淡！ 成长时间线
    7月25号写了一篇关于为什么会断更如此严重的反思，然而，之后日更仅仅维持了一周，又出现了这次更严重的现象。从8月2号到昨天8月6号，5天！又是5天没有更文！虽然这次断更时间和上次一样，那为什么说这次更严重？因为上次之后就分析了问题的原因，以及应该如何解决，按理说应该会好转，然而，没过几天严重断更的现象再次出现，想想，经过反思，问题依然没有解决与改变，这让我有些担忧。到底是哪里出了问题，难道我就真的
  • 【夜读】提升生活品质的8个建议 茳淮秀水
    停止攀比很多人之所以感觉疲惫，部分原因是来自于跟别人攀比。殊不知，攀比得到的满足只是片刻的，过后往往会感到空虚。过分在意别人的评价，丢失的是自己原有的审美，扰乱的是自己最初的节奏。不妨活得洒脱些，自己内心丰盈了，快乐就能更持久。停止自责想改变自己，先从接纳自己开始。越是过分自责，就越难改变现状，因为如果把精力全耗在自责上，就没有精力用来改变了。遇到问题，我们要用正确的心态去面对。与其一味自责，不如
  • 直返最高等级与直返APP：无需邀请码的返利新体验 古楼
    随着互联网的普及和电商的兴起，直返模式逐渐成为一种流行的商业模式。在这种模式下，消费者通过购买产品或服务，获得一定的返利，并可以分享给更多的人。其中，直返最高等级和直返APP是直返模式中的重要概念和工具。本文将详细介绍直返最高等级的概念、直返APP的使用以及与邀请码的关系。【高省】APP（高佣金领导者）是一个自用省钱佣金高，分享推广赚钱多的平台，百度有几百万篇报道，运行三年，稳定可靠。高省APP，
  • 【华为OD机试真题2023B卷 JAVA&JS】We Are A Team 若博豆 java算法华为javascript
    华为OD2023（B卷）机试题库全覆盖，刷题指南点这里WeAreATeam时间限制：1秒|内存限制：32768K|语言限制：不限题目描述：总共有n个人在机房，每个人有一个标号（1<=标号<=n），他们分成了多个团队，需要你根据收到的m条消息判定指定的两个人是否在一个团队中，具体的：1、消息构成为：abc，整数a、b分别代
  • 2023-04-17|篮球女孩 长一木
    1小学抑或初中阶段，在课外书了解到她的故事。“篮球女孩”。当时佩服她的顽强，也对生命多了一丝敬畏。今天刚好在公众号看到，长大后的“篮球女孩”。佩服之余又满是心疼。网络侵删祝那素未蒙面的女孩，未来一切顺遂。
  • 异常的核心类Throwable 无量 java源码异常处理exception
    java异常的核心是Throwable，其他的如Error和Exception都是继承的这个类 里面有个核心参数是detailMessage，记录异常信息，getMessage核心方法，获取这个参数的值，我们可以自己定义自己的异常类，去继承这个Exception就可以了，方法基本上，用父类的构造方法就OK，所以这么看异常是不是很easy package com.natsu;
  • mongoDB 游标（cursor） 实现分页 迭代 开窍的石头 mongodb
    上篇中我们讲了mongoDB 中的查询函数，现在我们讲mongo中如何做分页查询      如何声明一个游标        var mycursor = db.user.find({_id:{$lte:5}});       迭代显示游标数
  • MySQL数据库INNODB 表损坏修复处理过程 0624chenhong tomcatmysql
    最近mysql数据库经常死掉，用命令net stop mysql命令也无法停掉，关闭Tomcat的时候，出现Waiting for N instance(s) to be deallocated 信息。查了下，大概就是程序没有对数据库连接释放，导致Connection泄露了。因为用的是开元集成的平台，内部程序也不可能一下子给改掉的，就验证一下咯。启动Tomcat,用户登录系统，用netstat -
  • 剖析如何与设计人员沟通 不懂事的小屁孩 工作
    最近做图烦死了，不停的改图，改图……。烦，倒不是因为改，而是反反复复的改，人都会死。很多需求人员不知该如何与设计人员沟通，不明白如何使设计人员知道他所要的效果，结果只能是沟通变成了扯淡，改图变成了应付。 那应该如何与设计人员沟通呢？ 我认为设计人员与需求人员先天就存在语言障碍。对一个合格的设计人员来说，整天玩的都是点、线、面、配色，哪种构图看起来协调；哪种配色看起来合理心里跟明镜似的，
  • qq空间刷评论工具 换个号韩国红果果 JavaScript
    var a=document.getElementsByClassName('textinput'); var b=[]; for(var m=0;m<a.length;m++){ if(a[m].getAttribute('placeholder')!=null) b.push(a[m]) } var l
  • S2SH整合之session 灵静志远 springAOPstrutssession
    错误信息： Caused by: org.springframework.beans.factory.BeanCreationException: Error creating bean with name 'cartService': Scope 'session' is not active for the current thread; consider defining a scoped
  • xmp标签 a-john 标签
    今天在处理数据的显示上遇到一个问题： var html = '<li><div class="pl-nr"><span class="user-name">' + user + '</span>' + text + '</div></li>'; ulComme
  • Ajax的常用技巧（2）---实现Web页面中的级联菜单 aijuans Ajax
    在网络上显示数据，往往只显示数据中的一部分信息，如文章标题，产品名称等。如果浏览器要查看所有信息，只需点击相关链接即可。在web技术中，可以采用级联菜单完成上述操作。根据用户的选择，动态展开，并显示出对应选项子菜单的内容。 在传统的web实现方式中，一般是在页面初始化时动态获取到服务端数据库中对应的所有子菜单中的信息，放置到页面中对应的位置，然后再结合CSS层叠样式表动态控制对应子菜单的显示或者隐
  • 天-安-门，好高 atongyeye 情感
        我是85后，北漂一族，之前房租1100，因为租房合同到期，再续，房租就要涨150。最近网上新闻，地铁也要涨价。算了一下，涨价之后，每次坐地铁由原来2块变成6块。仅坐地铁费用，一个月就要涨200。内心苦痛。     晚上躺在床上一个人想了很久，很久。        我生在农
  • android 动画 百合不是茶 android透明度平移缩放旋转
    android的动画有两种  tween动画和Frame动画   tween动画;,透明度,缩放,旋转,平移效果   Animation   动画 AlphaAnimation 渐变透明度 RotateAnimation 画面旋转 ScaleAnimation 渐变尺寸缩放 TranslateAnimation 位置移动 Animation
  • 查看本机网络信息的cmd脚本 bijian1013 cmd
    @echo 您的用户名是：%USERDOMAIN%\%username%>"%userprofile%\网络参数.txt" @echo 您的机器名是：%COMPUTERNAME%>>"%userprofile%\网络参数.txt" @echo ___________________>>"%userprofile%\
  • plsql 清除登录过的用户 征客丶 plsql
    tools---preferences----logon history---history  把你想要删除的删除 -------------------------------------------------------------------- 若有其他凝问或文中有错误，请及时向我指出， 我好及时改正，同时也让我们一起进步。 email ： binary_spac
  • 【Pig一】Pig入门 bit1129 pig
    Pig安装 1.下载pig   wget http://mirror.bit.edu.cn/apache/pig/pig-0.14.0/pig-0.14.0.tar.gz   2. 解压配置环境变量      如果Pig使用Map/Reduce模式，那么需要在环境变量中，配置HADOOP_HOME环境变量   expor
  • Java 线程同步几种方式 BlueSkator volatilesynchronizedThredLocalReenTranLockConcurrent
    为何要使用同步？      java允许多线程并发控制，当多个线程同时操作一个可共享的资源变量时（如数据的增删改查），      将会导致数据不准确，相互之间产生冲突，因此加入同步锁以避免在该线程没有完成操作之前，被其他线程的调用，      从而保证了该变量的唯一性和准确性。 1.同步方法&
  • StringUtils判断字符串是否为空的方法（转帖） BreakingBad nullStringUtils“”
    转帖地址：http://www.cnblogs.com/shangxiaofei/p/4313111.html   public static boolean isEmpty(String str)   　　判断某字符串是否为空，为空的标准是 str== null  或 str.length()== 0  
  • 编程之美-分层遍历二叉树 bylijinnan java数据结构算法编程之美
    import java.util.ArrayList; import java.util.LinkedList; import java.util.List; public class LevelTraverseBinaryTree { /** * 编程之美 分层遍历二叉树 * 之前已经用队列实现过二叉树的层次遍历，但这次要求输出换行，因此要
  • jquery取值和ajax提交复习记录 chengxuyuancsdn jquery取值ajax提交
    // 取值 // alert($("input[name='username']").val()); // alert($("input[name='password']").val()); // alert($("input[name='sex']:checked").val()); // alert($("
  • 推荐国产工作流引擎嵌入式公式语法解析器-IK Expression comsci java应用服务器工作Excel嵌入式
    这个开源软件包是国内的一位高手自行研制开发的，正如他所说的一样，我觉得它可以使一个工作流引擎上一个台阶。。。。。。欢迎大家使用，并提出意见和建议。。。 ----------转帖--------------------------------------------------- IK Expression是一个开源的（OpenSource），可扩展的（Extensible），基于java语言
  • 关于系统中使用多个PropertyPlaceholderConfigurer的配置及PropertyOverrideConfigurer daizj spring
    1、PropertyPlaceholderConfigurer Spring中PropertyPlaceholderConfigurer这个类，它是用来解析Java Properties属性文件值，并提供在spring配置期间替换使用属性值。接下来让我们逐渐的深入其配置。 基本的使用方法是：(1) <bean id="propertyConfigurerForWZ&q
  • 二叉树:二叉搜索树 dieslrae 二叉树
        所谓二叉树,就是一个节点最多只能有两个子节点,而二叉搜索树就是一个经典并简单的二叉树.规则是一个节点的左子节点一定比自己小,右子节点一定大于等于自己(当然也可以反过来).在树基本平衡的时候插入,搜索和删除速度都很快,时间复杂度为O(logN).但是,如果插入的是有序的数据,那效率就会变成O(N),在这个时候,树其实变成了一个链表. tree代码:
  • C语言字符串函数大全 dcj3sjt126com cfunction
    C语言字符串函数大全     函数名: stpcpy 功 能: 拷贝一个字符串到另一个 用 法: char *stpcpy(char *destin, char *source); 程序例:   #include <stdio.h> #include <string.h>   int main
  • 友盟统计页面技巧 dcj3sjt126com 技巧
    在基类调用就可以了, 基类ViewController示例代码 -(void)viewWillAppear:(BOOL)animated { [super viewWillAppear:animated]; [MobClick beginLogPageView:[NSString stringWithFormat:@"%@",self.class]];
  • window下在同一台机器上安装多个版本jdk，修改环境变量不生效问题处理办法 flyvszhb javajdk
    window下在同一台机器上安装多个版本jdk，修改环境变量不生效问题处理办法 本机已经安装了jdk1.7，而比较早期的项目需要依赖jdk1.6，于是同时在本机安装了jdk1.6和jdk1.7. 安装jdk1.6前，执行java -version得到 C:\Users\liuxiang2>java -version java version "1.7.0_21&quo
  • Java在创建子类对象的同时会不会创建父类对象 happyqing java创建子类对象父类对象
      1.在thingking in java 的第四版第六章中明确的说了，子类对象中封装了父类对象，   2."When you create an object of the derived class, it contains within it a subobject of the base class. This subobject is the sam
  • 跟我学spring3 目录贴及电子书下载 jinnianshilongnian spring
        一、《跟我学spring3》电子书下载地址： 《跟我学spring3》  （1-7 和 8-13） http://jinnianshilongnian.iteye.com/blog/pdf     跟我学spring3系列 word原版 下载     二、 源代码下载 最新依
  • 第12章 Ajax（上） onestopweb Ajax
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • BI and EIM 4.0 at a glance blueoxygen BO
    http://www.sap.com/corporate-en/press.epx?PressID=14787   有机会研究下EIM家族的两个新产品~~~~   New features of the 4.0 releases of BI and EIM solutions include: Real-time in-memory computing –
  • Java线程中yield与join方法的区别 tomcat_oracle java
    长期以来，多线程问题颇为受到面试官的青睐。虽然我个人认为我们当中很少有人能真正获得机会开发复杂的多线程应用(在过去的七年中，我得到了一个机会)，但是理解多线程对增加你的信心很有用。之前，我讨论了一个wait()和sleep()方法区别的问题，这一次，我将会讨论join()和yield()方法的区别。坦白的说，实际上我并没有用过其中任何一个方法，所以，如果你感觉有不恰当的地方，请提出讨论。 &nb
  • android Manifest.xml选项 阿尔萨斯 Manifest
    结构 继承关系 public final class Manifest extends Objectjava.lang.Objectandroid.Manifest 内部类 class Manifest.permission权限 class Manifest.permission_group权限组 构造函数 public Manifest () 详细 androi
  • Oracle实现类split函数的方 zhaoshijie oracle
    关键字：Oracle实现类split函数的方 项目里需要保存结构数据，批量传到后他进行保存，为了减小数据量，子集拼装的格式，使用存储过程进行保存。保存的过程中需要对数据解析。但是oracle没有Java中split类似的函数。从网上找了一个，也补全了一下。 CREATE OR REPLACE TYPE t_split_100 IS TABLE OF VARCHAR2(100); cr
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他