- 基于SpringBoot+Vue协同过滤视频推荐系统
f168bc2b3926
1.技术介绍java+springboot+mysql+mybatis+Vue开发工具:eclipse或idea2.主要功能说明:1)用户注册、登录、首页、个人中心、我的收藏、视频新增、后台管理、2)管理员个人中心、用户管理、视频标签管理、视频信息管理、轮播图管理3)协同过滤算法根据用户的收藏喜好行为计算相似度,给有相近的用户行为推荐视频比如:用户1收藏了视频1、2、3用户2收藏了视频1、3、6用
- 大数据毕业设计hadoop+spark+hive微博舆情情感分析 知识图谱微博推荐系统
qq_79856539
javaweb大数据hadoop课程设计
(一)Selenium自动化Python爬虫工具采集新浪微博评论、热搜、文章等约10万条存入.csv文件作为数据集;(二)使用pandas+numpy或MapReduce对数据进行数据清洗,生成最终的.csv文件并上传到hdfs;(三)使用hive数仓技术建表建库,导入.csv数据集;(四)离线分析采用hive_sql完成,实时分析利用Spark之Scala完成;(五)统计指标使用sqoop导入m
- 大数据毕业设计天hadoop+spark+hive游戏推荐系统 游戏数据分析可视化大屏 steam游戏爬虫 游戏大数据 机器学习 知识图谱 计算机毕业设计 机器学习 深度学习 人工智能 知识图谱
2401_84159688
程序员大数据hadoop人工智能
|—||一、选题的目的和意义用户往往因为不能及时查看游戏信息而造成许多烦恼。另一方面,游戏商城平台没能进行系统的管理与维护使游戏信息没能及时的更新。而传统的游戏信息管理,采用的还是手工备案、人工查询的方式。但是随之游戏信息的增多这种管理方式的工作量不断加大,这种做法就存在费时费力、缺乏时效性、不利于调动人员的积极性等缺点。一旦网站建立好之后,一方面,用户可以在第一时间在系统里查询所需的信息,另一方
- 推荐召回中ALS(交替最小二乘法)算法验证
山水阳泉曲
算法最小二乘法机器学习推荐算法python
文章目录需求流程设计步骤1:数据准备步骤2:模型训练步骤3:评估指标选择步骤4:性能评估代码实现导入依赖Mysql获取数据分批加载到矩阵目标coo_matrixvstackbm25_weight模型训练测试评估完整代码需求为了验证推荐系统中ALS(交替最小二乘)算法的召回效果以及离线数据推荐的效果,我们需要进行一系列的实验步骤。这些步骤包括数据准备、模型训练、评估指标的选择以及最终的性能评估流程设
- 推荐系统中稀疏特征Embedding的优化表示方法
少喝冰美式
embedding算法机器学习人工智能ai大模型大语言模型
本文将介绍两个与稀疏特征Embedding相关的工作。推荐或者CTR预估任务有一个很突出的特点:存在海量稀疏特征。海量意味着数量巨大,稀疏意味着即使在很大的训练数据里,大量特征出现频次也非常低,这往往是由于引入了大量ID类特征带来的。对于DNN排序系统,是否能够找到好的特征Embedding表达方式,对于系统效果是至关重要的。虽然说,如何更好地表征稀疏特征对于模型的泛化能力至关重要,但是,关于这块
- 小琳AI课堂:推荐系统
小琳ai
小琳AI课堂人工智能
大家好,这里是小琳AI课堂!今天我们一起来探索一个让生活变得更加个性化的神奇技术——推荐系统!首先,让我们深入了解一下推荐系统的两大核心技术:协同过滤和内容基础过滤。协同过滤:这种方法通过分析用户之间的行为相似性或项目之间的相似性来进行推荐。用户基础协同过滤:找到和你相似的其他用户,然后推荐他们喜欢的东西给你。项目基础协同过滤:分析项目之间的相似度,推荐和你过去喜欢的项目相似的其他项目。内容基础过
- JSP/JAVAWEB/SSM/J2EE高考志愿填报推荐系统的开发
计算机程序设计开发
javamysqljavawebssm推荐系统
目录1、概述2、功能描述3、数据表4、目录结构5、实现过程5.1SRC目录5.2webroot前端文件6、最终效果6.1前台用户效果6.2后台管理员用户效果1、概述开发环境:jdk1.8、tomcat7.0、mysql5.2开发工具:idea2019.3.1、navicat15编程语言后端:java;框架和引用的包:JavaBeanServletMVC、log4j.jar编程语言前端:JSP、ht
- 向量数据库Faiss(Facebook AI Similarity Search)
shiming8879
数据库faiss人工智能
向量数据库Faiss(FacebookAISimilaritySearch)是FacebookAIResearch开发的一款高效且可扩展的相似性搜索和聚类库,专门用于处理大规模向量数据的搜索和检索任务。Faiss以其出色的性能和灵活性,在图像检索、文本搜索、推荐系统等多个领域得到了广泛应用。以下将详细介绍Faiss的搭建与使用过程,包括安装、基本使用、索引类型选择、性能优化及应用场景等方面。一、F
- 基于用户的协同过滤以及ALS的混合召回算法
山水阳泉曲
算法机器学习人工智能矩阵python推荐算法线性代数
文章目录需求基于用户的协同过滤基本步骤相似度计算代码示例(使用余弦相似度)基于用户的协同过滤的缺点实际推荐系统中的替代方案ALSuserBaseCF+ALS混合推荐设计代码说明需求要将基于用户的协同过滤(User-BasedCollaborativeFiltering,UBCF)与交替最小二乘(AlternatingLeastSquares,ALS)结合起来,设计一个混合推荐系统。这种系统可以利用
- Springboot+爬虫+推荐算法+前后端分离实现小说推荐系统
计算机程序优异哥
如何针对互联网各大小说阅读网站的小说数据进行实时采集更新,建立自己的小说资源库,针对海量的小说数据开展标签处理特征分析,利用推荐算法完成针对用户的个性化阅读推荐?基于以上问题,本次小说推荐系统,建设过程主要分为小说推荐网站前端系统,小说运维管理后台系统,小说数据实时采集爬虫三个部分。小说推荐网站前端系统主要采用开源前端框架搭建小说推荐网站,提供用户登录注册,小说阅读等功能,小说运维管理后台,提供管
- AAAI2021推荐系统论文清单
机器学习与推荐算法
人工智能推荐系统深度学习机器学习数据分析
嘿,记得给“机器学习与推荐算法”添加星标2021年第35届人工智能顶级会议AAAI论文列表已经放出,此次会议共收到9034篇论文提交,其中有效审稿为7911篇,最终录取篇数为1692篇,录取率为21.4%。由于境外疫情形势依然严峻,大会将在2月2日到2月9日在线上进行举办。较之去年接收篇数1590篇来说,今年的录取数量有所提升。通过对今年所接收的全部论文的标题进行分析,发现以下结论:深度学习技术依
- 大模型企业应用落地系列三》基于大模型的对话式推荐系统》技术架构实现》大数据平台层
陈敬雷-充电了么-CEO兼CTO
算法人工智能大数据架构大数据aichatgptgptgpt-3nlp
注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》(人工智能科学与技术丛书)【陈敬雷编著】【清华大学出版社】文章目录大模型企业应用落地系列三技术架构实现》大数据平台层大模型底座层具体实现大模型推荐技术发展趋势探讨总结大模型企业应用落地系列三技术架构实现》大数据平台层大数据平台层是对话式推荐系统的重要基础,它集成了多种数据库和数据存储技术,以满足系统对数据
- 大模型企业应用落地系列》基于大模型的对话式推荐系统》技术架构设计全攻略
陈敬雷-充电了么-CEO兼CTO
算法人工智能大数据gpt人工智能chatgptgpt-3推荐算法搜索引擎ai
注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》(人工智能科学与技术丛书)【陈敬雷编著】【清华大学出版社】文章目录大模型企业应用落地系列全貌基于大模型的对话式推荐系统》技术架构设计全攻略基于大模型的对话式推荐系统项目实践大模型推荐技术发展趋势探讨总结大模型企业应用落地系列全貌基于大模型的对话式推荐系统》技术架构设计全攻略从传统推荐系统到基于大模型的对话
- 大模型企业应用落地系列一》基于大模型的对话式推荐系统》对话式推荐系统概述
陈敬雷-充电了么-CEO兼CTO
人工智能算法大数据nlp推荐算法搜索引擎自然语言处理chatgptgpt-3ai
注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》(人工智能科学与技术丛书)【陈敬雷编著】【清华大学出版社】文章目录大模型企业应用落地系列一基于大模型的对话式推荐系统》对话式推荐系统概述对话式推荐系统技术架构设计大模型推荐技术发展趋势探讨总结大模型企业应用落地系列一基于大模型的对话式推荐系统》对话式推荐系统概述在当今AI时代,大模型技术正引领着企业应用的
- Neo4J图数据库入门示例
gallonyin
读书笔记copilot
前言-Neo4j和MySQL的区别Neo4j和MySQL是两种不同类型的数据库,它们在数据模型、用途、性能和查询语言等方面有着显著的区别。以下是它们的主要区别:数据模型:Neo4j是一种图数据库,它使用图数据模型来存储和查询数据。在图数据库中,数据以节点(实体)和边(关系)的形式存在。这种模型非常适合表示和查询复杂的关系网络,如社交网络、推荐系统、欺诈检测等。MySQL是一种关系型数据库管理系统(
- 计算机毕业设计Hadoop+Spark知识图谱体育赛事推荐系统 体育赛事热度预测系统 体育赛事数据分析 体育赛事可视化 体育赛事大数据 机器学习 大数据毕业设计 大数据毕设 机器学习 人工智能
计算机毕业设计大全
开发技术前端:vue.js、element-ui、echarts后端:springboot、mybatis大数据:spark、hadoop数据库:mysql关系型数据库、neo4j图数据库算法:协同过滤推荐算法、MLP深度学习模型、SVD神经网络混合推荐算法、lstm模型、KNN、CNN、Sklearn、K-Means第三方平台:百度AI、阿里云短信、支付宝沙箱支付爬虫:Pythonchrome-
- 基于spark+hadoop+hive大数据分析的电影推荐系统的设计与实现
毕设木哥
sparksparkhadoophivespringjava
作者主页:计算机毕设小程精彩专栏推荐订阅:在下方专栏Java实战项目文章目录Java实战项目一、开发介绍1.1开发环境二、系统介绍2.1图片展示三、部分代码设计3.1.部分代码如下:**总结****大家可以帮忙点赞、收藏、关注、评论啦****有问题评论区交流**一、开发介绍1.1开发环境技术栈:spark+hadoop+hive离线ETL+在线数据分析(OLAP)+流计算+机器学习+图计算二、系统
- 《打破信息茧房:确保人工智能推荐系统的多元化与公正性》
程序猿阿伟
人工智能
在当今数字化的时代,人工智能推荐系统已经成为我们获取信息、产品和服务的重要渠道。从社交媒体的内容推荐到电商平台的商品推荐,这些系统在为我们提供便利的同时,也带来了一个潜在的问题——信息茧房效应。信息茧房,简单来说,就是人们只关注自己感兴趣的内容,而人工智能推荐系统基于用户的历史行为和偏好,不断推送相似的信息,进一步强化了这种偏好,导致用户的视野变得狭窄,难以接触到不同的观点和领域。这不仅限制了个人
- 图神经网络GNN的前世今生
小桥流水---人工智能
Python程序代码深度学习人工智能神经网络人工智能深度学习
GNN图神经网络(GraphNeuralNetwork,简称GNN)已经成为处理图形结构数据的一种强大工具,广泛应用于社交网络分析、知识图谱、推荐系统等领域。在本文中,我们将深入探讨图神经网络的历史背景、关键的发展阶段以及未来可能的发展方向。一、背景介绍图(Graph)是一种数据结构,由节点(Node)和连接节点的边(Edge)组成。在许多现实世界的应用中,数据自然地呈现出图形结构,如社交网络中的
- springboot框架的计算机设计(论文+源码)
哥本哈根工作室_wlzytw
phpspringbootjava数据库maventomcatjunitlog4j
编号springbootspringboot001基于SpringBoot的在线拍卖系统源码+数据库+PPT+论文+说明文档springboot002基于SpringBoot的医护人员排班系统源码+数据库+开题+论文+说明文档springboot003图书个性化推荐系统的设计与实现源码+数据库+PPT+论文+说明文档springboot004SpringBoot网页时装购物系统源码+数据库+PPT
- 计算机毕业设计hadoop+spark知识图谱美食推荐系统 美食价格预测 美团推荐系统 美团爬虫 大众点评爬虫 美食数据分析 美食可视化大屏 大数据毕设
计算机毕业设计大全
创新点:1.支付宝沙箱支付2.支付邮箱通知(JavaMail)3.短信验证码修改密码4.知识图谱5.四种推荐算法(协同过滤基于用户、物品、SVD混合神经网络、MLP深度学习模型)6.线性回归算法预测房价7.Python爬虫采集大众点评美食数据8.AI短信识别9.百度地图API10.lstm情感分析11.spark大屏可视化开发技术:springbootvue.jspythonechartsspar
- 计算机毕业设计hadoop+spark知识图谱高考分数预测系统 高考志愿推荐系统 高考可视化大屏 高考大数据 高考数据分析 高考爬虫 大数据毕业设计
计算机毕业设计大全
开发技术hadoopsparkspringbootvue.jsPython爬虫、机器学习、深度学习mybatis-plusneo4j知识图谱图数据库mysql协同过滤算法(基于物品、基于用户模式)MLP模型SVD神经网络CNN、KNN、GNN卷积神经网络预测算法阿里云平台百度AI平台阿里大于短信平台lstm模型创新点4种机器学习推荐算法进行高考志愿学校推荐1种深度学习模型进行高考分数线预测hado
- 【深度学习】吴恩达-课后作业-搭建多层神经网络以及应用
—Xi—
深度学习深度学习机器学习人工智能python神经网络
Ng的深度学习,其实前几个月就听完了,课后作业也是大懂不懂的都做了一遍,代码也跟着各种各样的参考敲了一遍,但暑假几个月没怎么学习。。。基本也忘得差不多了,这几周回顾了一下深度学习这门课的笔记,看了别的博主的总结,对CNN,RNN,LSTM,注意力机制等网络结构进行了复盘,虽然感觉自己很心浮气躁,一边也在学集成学习那几个算法和推荐系统相关,这里也告诉自己:贪多嚼不烂,心急吃不了热豆腐,慢慢来,还是要
- 各类Springboot管理系统源码获取
abinabin2dd
计算机毕业设计毕业设计课程设计springjavaspringboot
获取方式+vx:lwbabinabinspringboot001基于SpringBoot的在线拍卖系统springboot002基于springboot的医护人员排班系统springboot003图书个性化推荐系统的设计与实现springboot004网页时装购物系统springboot005学生心理咨询评估系统springboot006基于SpringBoot的网上订餐系统springboot0
- 如何通过AI技术提升内容生产的效率和质量
X_StarX
人工智能python开发语言学生科技
在当今数字化时代,内容生产已经成为各行各业不可或缺的一部分。无论是新闻媒体、教育出版还是娱乐产业,高质量的内容都是吸引和保留受众的关键。然而,随着互联网信息的爆炸式增长,内容生产面临着前所未有的挑战:如何在保证质量的前提下,提高生产效率?近年来,人工智能(AI)技术的发展为内容生产带来了新的可能性。从自动撰写新闻稿到个性化推荐系统,AI已经在多个领域展现出了巨大的潜力。本文将探讨如何利用AI技术提
- 01 基于图(neo4j)的推荐
柒 魅。
neo4j-推荐neo4j
目录一、neo4j介绍1.1概述1.2主要特点1.3典型应用场景二、基于图的推荐系统工作原理2.1基于相似性的推荐2.2基于路径的推荐2.3社交推荐2.4基于子图的推荐三、根据输入关键字匹配图库中节点的名称-neo4j3.1通过Cypher查询直接搜索节点的名称字段中包含用户输入的关键词。3.2使用正则表达式3.3全文索引搜索3.4基于权重的模糊匹配3.5结合图数据库与外部搜索引擎四、根据输入关键
- 【人工智能】Python融合机器学习、深度学习和微服务的创新之路
C_GUIQU
人工智能python机器学习深度学习微服务
1.引言1.1人工智能的现状与发展趋势1.2机器学习、深度学习和神经网络的基本概念1.3微服务架构在人工智能中的作用2.机器学习的演变与创新2.1机器学习的历史回顾2.2传统机器学习算法的优势与不足2.3新兴机器学习算法的探索与应用2.4️案例分析:机器学习在推荐系统中的应用3.深度学习:突破传统的限制3.1深度学习的起源与发展3.2卷积神经网络(CNN)的革新3.3循环神经网络(RNN)与自然语
- python清华大学出版社答案_Python机器学习及实践
weixin_39805119
python清华大学出版社答案
第1章机器学习的基础知识1.1何谓机器学习1.1.1传感器和海量数据1.1.2机器学习的重要性1.1.3机器学习的表现1.1.4机器学习的主要任务1.1.5选择合适的算法1.1.6机器学习程序的步骤1.2综合分类1.3推荐系统和深度学习1.3.1推荐系统1.3.2深度学习1.4何为Python1.4.1使用Python软件的由来1.4.2为什么使用Python1.4.3Python设计定位1.4.
- 基于springboot框架的计算机毕业设计(论文+源码)_kaic
开心工作室_kaic
计算机文章毕业设计javaspringboot数据库前端旅游开发语言springcloud
编号springbootspringboot001基于SpringBoot的在线拍卖系统源码+数据库+PPT+论文+说明文档springboot002基于SpringBoot的医护人员排班系统源码+数据库+开题+论文+说明文档springboot003图书个性化推荐系统的设计与实现源码+数据库+PPT+论文+说明文档springboot004SpringBoot网页时装购物系统源码+数据库+PPT
- 基于微信小程序的美食推荐系统的设计与实现
Selina .a
微信小程序美食小程序springboot学习uni-appjava
文末获取源码开发语言:Java框架:SpringBootJDK版本:JDK1.8数据库:mysql5.7开发软件:eclipse/myeclipse/ideaMaven包:Maven3.5.4小程序框架:uniapp小程序开发软件:HBuilderX小程序运行软件:微信开发者目录目录前言系统展示用户信息管理水果信息管理水果类型管理论坛信息管理代码实现登录功能实现代码注册功能实现代码密码重置功能实现
- 对股票分析时要注意哪些主要因素?
会飞的奇葩猪
股票 分析 云掌股吧
众所周知,对散户投资者来说,股票技术分析是应战股市的核心武器,想学好股票的技术分析一定要知道哪些是重点学习的,其实非常简单,我们只要记住三个要素:成交量、价格趋势、振荡指标。
一、成交量
大盘的成交量状态。成交量大说明市场的获利机会较多,成交量小说明市场的获利机会较少。当沪市的成交量超过150亿时是强市市场状态,运用技术找综合买点较准;
- 【Scala十八】视图界定与上下文界定
bit1129
scala
Context Bound,上下文界定,是Scala为隐式参数引入的一种语法糖,使得隐式转换的编码更加简洁。
隐式参数
首先引入一个泛型函数max,用于取a和b的最大值
def max[T](a: T, b: T) = {
if (a > b) a else b
}
因为T是未知类型,只有运行时才会代入真正的类型,因此调用a >
- C语言的分支——Object-C程序设计阅读有感
darkblue086
applec框架cocoa
自从1972年贝尔实验室Dennis Ritchie开发了C语言,C语言已经有了很多版本和实现,从Borland到microsoft还是GNU、Apple都提供了不同时代的多种选择,我们知道C语言是基于Thompson开发的B语言的,Object-C是以SmallTalk-80为基础的。和C++不同的是,Object C并不是C的超集,因为有很多特性与C是不同的。
Object-C程序设计这本书
- 去除浏览器对表单值的记忆
周凡杨
html记忆autocompleteform浏览
&n
- java的树形通讯录
g21121
java
最近用到企业通讯录,虽然以前也开发过,但是用的是jsf,拼成的树形,及其笨重和难维护。后来就想到直接生成json格式字符串,页面上也好展现。
// 首先取出每个部门的联系人
for (int i = 0; i < depList.size(); i++) {
List<Contacts> list = getContactList(depList.get(i
- Nginx安装部署
510888780
nginxlinux
Nginx ("engine x") 是一个高性能的 HTTP 和 反向代理 服务器,也是一个 IMAP/POP3/SMTP 代理服务器。 Nginx 是由 Igor Sysoev 为俄罗斯访问量第二的 Rambler.ru 站点开发的,第一个公开版本0.1.0发布于2004年10月4日。其将源代码以类BSD许可证的形式发布,因它的稳定性、丰富的功能集、示例配置文件和低系统资源
- java servelet异步处理请求
墙头上一根草
java异步返回servlet
servlet3.0以后支持异步处理请求,具体是使用AsyncContext ,包装httpservletRequest以及httpservletResponse具有异步的功能,
final AsyncContext ac = request.startAsync(request, response);
ac.s
- 我的spring学习笔记8-Spring中Bean的实例化
aijuans
Spring 3
在Spring中要实例化一个Bean有几种方法:
1、最常用的(普通方法)
<bean id="myBean" class="www.6e6.org.MyBean" />
使用这样方法,按Spring就会使用Bean的默认构造方法,也就是把没有参数的构造方法来建立Bean实例。
(有构造方法的下个文细说)
2、还
- 为Mysql创建最优的索引
annan211
mysql索引
索引对于良好的性能非常关键,尤其是当数据规模越来越大的时候,索引的对性能的影响越发重要。
索引经常会被误解甚至忽略,而且经常被糟糕的设计。
索引优化应该是对查询性能优化最有效的手段了,索引能够轻易将查询性能提高几个数量级,最优的索引会比
较好的索引性能要好2个数量级。
1 索引的类型
(1) B-Tree
不出意外,这里提到的索引都是指 B-
- 日期函数
百合不是茶
oraclesql日期函数查询
ORACLE日期时间函数大全
TO_DATE格式(以时间:2007-11-02 13:45:25为例)
Year:
yy two digits 两位年 显示值:07
yyy three digits 三位年 显示值:007
- 线程优先级
bijian1013
javathread多线程java多线程
多线程运行时需要定义线程运行的先后顺序。
线程优先级是用数字表示,数字越大线程优先级越高,取值在1到10,默认优先级为5。
实例:
package com.bijian.study;
/**
* 因为在代码段当中把线程B的优先级设置高于线程A,所以运行结果先执行线程B的run()方法后再执行线程A的run()方法
* 但在实际中,JAVA的优先级不准,强烈不建议用此方法来控制执
- 适配器模式和代理模式的区别
bijian1013
java设计模式
一.简介 适配器模式:适配器模式(英语:adapter pattern)有时候也称包装样式或者包装。将一个类的接口转接成用户所期待的。一个适配使得因接口不兼容而不能在一起工作的类工作在一起,做法是将类别自己的接口包裹在一个已存在的类中。 &nbs
- 【持久化框架MyBatis3三】MyBatis3 SQL映射配置文件
bit1129
Mybatis3
SQL映射配置文件一方面类似于Hibernate的映射配置文件,通过定义实体与关系表的列之间的对应关系。另一方面使用<select>,<insert>,<delete>,<update>元素定义增删改查的SQL语句,
这些元素包含三方面内容
1. 要执行的SQL语句
2. SQL语句的入参,比如查询条件
3. SQL语句的返回结果
- oracle大数据表复制备份个人经验
bitcarter
oracle大表备份大表数据复制
前提:
数据库仓库A(就拿oracle11g为例)中有两个用户user1和user2,现在有user1中有表ldm_table1,且表ldm_table1有数据5千万以上,ldm_table1中的数据是从其他库B(数据源)中抽取过来的,前期业务理解不够或者需求有变,数据有变动需要重新从B中抽取数据到A库表ldm_table1中。
- HTTP加速器varnish安装小记
ronin47
http varnish 加速
上午共享的那个varnish安装手册,个人看了下,有点不知所云,好吧~看来还是先安装玩玩!
苦逼公司服务器没法连外网,不能用什么wget或yum命令直接下载安装,每每看到别人博客贴出的在线安装代码时,总有一股羡慕嫉妒“恨”冒了出来。。。好吧,既然没法上外网,那只能麻烦点通过下载源码来编译安装了!
Varnish 3.0.4下载地址: http://repo.varnish-cache.org/
- java-73-输入一个字符串,输出该字符串中对称的子字符串的最大长度
bylijinnan
java
public class LongestSymmtricalLength {
/*
* Q75题目:输入一个字符串,输出该字符串中对称的子字符串的最大长度。
* 比如输入字符串“google”,由于该字符串里最长的对称子字符串是“goog”,因此输出4。
*/
public static void main(String[] args) {
Str
- 学习编程的一点感想
Cb123456
编程感想Gis
写点感想,总结一些,也顺便激励一些自己.现在就是复习阶段,也做做项目.
本专业是GIS专业,当初觉得本专业太水,靠这个会活不下去的,所以就报了培训班。学习的时候,进入状态很慢,而且当初进去的时候,已经上到Java高级阶段了,所以.....,呵呵,之后有点感觉了,不过,还是不好好写代码,还眼高手低的,有
- [能源与安全]美国与中国
comsci
能源
现在有一个局面:地球上的石油只剩下N桶,这些油只够让中国和美国这两个国家中的一个顺利过渡到宇宙时代,但是如果这两个国家为争夺这些石油而发生战争,其结果是两个国家都无法平稳过渡到宇宙时代。。。。而且在战争中,剩下的石油也会被快速消耗在战争中,结果是两败俱伤。。。
在这个大
- SEMI-JOIN执行计划突然变成HASH JOIN了 的原因分析
cwqcwqmax9
oracle
甲说:
A B两个表总数据量都很大,在百万以上。
idx1 idx2字段表示是索引字段
A B 两表上都有
col1字段表示普通字段
select xxx from A
where A.idx1 between mmm and nnn
and exists (select 1 from B where B.idx2 =
- SpringMVC-ajax返回值乱码解决方案
dashuaifu
AjaxspringMVCresponse中文乱码
SpringMVC-ajax返回值乱码解决方案
一:(自己总结,测试过可行)
ajax返回如果含有中文汉字,则使用:(如下例:)
@RequestMapping(value="/xxx.do") public @ResponseBody void getPunishReasonB
- Linux系统中查看日志的常用命令
dcj3sjt126com
OS
因为在日常的工作中,出问题的时候查看日志是每个管理员的习惯,作为初学者,为了以后的需要,我今天将下面这些查看命令共享给各位
cat
tail -f
日 志 文 件 说 明
/var/log/message 系统启动后的信息和错误日志,是Red Hat Linux中最常用的日志之一
/var/log/secure 与安全相关的日志信息
/var/log/maillog 与邮件相关的日志信
- [应用结构]应用
dcj3sjt126com
PHPyii2
应用主体
应用主体是管理 Yii 应用系统整体结构和生命周期的对象。 每个Yii应用系统只能包含一个应用主体,应用主体在 入口脚本中创建并能通过表达式 \Yii::$app 全局范围内访问。
补充: 当我们说"一个应用",它可能是一个应用主体对象,也可能是一个应用系统,是根据上下文来决定[译:中文为避免歧义,Application翻译为应
- assertThat用法
eksliang
JUnitassertThat
junit4.0 assertThat用法
一般匹配符1、assertThat( testedNumber, allOf( greaterThan(8), lessThan(16) ) );
注释: allOf匹配符表明如果接下来的所有条件必须都成立测试才通过,相当于“与”(&&)
2、assertThat( testedNumber, anyOf( g
- android点滴2
gundumw100
应用服务器android网络应用OSHTC
如何让Drawable绕着中心旋转?
Animation a = new RotateAnimation(0.0f, 360.0f,
Animation.RELATIVE_TO_SELF, 0.5f, Animation.RELATIVE_TO_SELF,0.5f);
a.setRepeatCount(-1);
a.setDuration(1000);
如何控制Andro
- 超简洁的CSS下拉菜单
ini
htmlWeb工作html5css
效果体验:http://hovertree.com/texiao/css/3.htmHTML文件:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title>简洁的HTML+CSS下拉菜单-HoverTree</title>
- kafka consumer防止数据丢失
kane_xie
kafkaoffset commit
kafka最初是被LinkedIn设计用来处理log的分布式消息系统,因此它的着眼点不在数据的安全性(log偶尔丢几条无所谓),换句话说kafka并不能完全保证数据不丢失。
尽管kafka官网声称能够保证at-least-once,但如果consumer进程数小于partition_num,这个结论不一定成立。
考虑这样一个case,partiton_num=2
- @Repository、@Service、@Controller 和 @Component
mhtbbx
DAOspringbeanprototype
@Repository、@Service、@Controller 和 @Component 将类标识为Bean
Spring 自 2.0 版本开始,陆续引入了一些注解用于简化 Spring 的开发。@Repository注解便属于最先引入的一批,它用于将数据访问层 (DAO 层 ) 的类标识为 Spring Bean。具体只需将该注解标注在 DAO类上即可。同时,为了让 Spring 能够扫描类
- java 多线程高并发读写控制 误区
qifeifei
java thread
先看一下下面的错误代码,对写加了synchronized控制,保证了写的安全,但是问题在哪里呢?
public class testTh7 {
private String data;
public String read(){
System.out.println(Thread.currentThread().getName() + "read data "
- mongodb replica set(副本集)设置步骤
tcrct
javamongodb
网上已经有一大堆的设置步骤的了,根据我遇到的问题,整理一下,如下:
首先先去下载一个mongodb最新版,目前最新版应该是2.6
cd /usr/local/bin
wget http://fastdl.mongodb.org/linux/mongodb-linux-x86_64-2.6.0.tgz
tar -zxvf mongodb-linux-x86_64-2.6.0.t
- rust学习笔记
wudixiaotie
学习笔记
1.rust里绑定变量是let,默认绑定了的变量是不可更改的,所以如果想让变量可变就要加上mut。
let x = 1; let mut y = 2;
2.match 相当于erlang中的case,但是case的每一项后都是分号,但是rust的match却是逗号。
3.match 的每一项最后都要加逗号,但是最后一项不加也不会报错,所有结尾加逗号的用法都是类似。
4.每个语句结尾都要加分