- 综合排序
- 最热优先
- 最新优先
我们测了5款企业知识库，回召准确率差距超过30%
结果让人意外：回召准确率最高的92%，最低的只有58%，差距超过30个百分点。这不是“谁家营销话术更强”的问题，而是技术架构的硬差距。 2.2 评估指标核心指标：回召准确率（Recall@3 Accuracy）Top 3检索结果中包含期望答案来源文档的比例为什么用Recall@3而不是Recall@1？ 10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}产品回召准确率 font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}场景建议最低回召率推荐配置内部知识问答 六、写在最后回召准确率相差30%，背后不是“营销话术”的差距，而是技术架构的硬差距。我们测了才知道，有些产品在文档解析阶段就开始丢信息，有些产品连最基础的混合检索都没做。
19510编辑于 2026-05-20- 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程2-5：杂合率检验
我们建议删除样品杂合率平均值中偏离±3 SD的个体。 ❝我的理解：非自然群体中，比如自交系，杂交种F1，这些群体不需要过滤杂合度。
2.4K20发布于 2020-04-27 - 来自专栏贾志刚-OpenCV学堂
OpenVINO2023异步回调流水线提升推理吞吐率
同时支持创建多个Requst然后基于多个Requst实现流水线方式的推理从而提升CPU推理的吞吐率。 其中同步推理： // 前处理 // 开启同步 request.infer(); // 后处理 运行结果如下： 异步模式推理流程 当使用OpenVINO2023提供的Request对象的回调功能以后，我们可以把模型的后处理直接放到回调中去
1.2K31编辑于 2023-11-21 - 来自专栏音视频技术修炼手册
视频帧率和刷新率，是一回事吗？
4）帧率和刷新率，是一回事吗？5）主流插帧算法之光流法，又是什么？什么是视频插帧？ 帧率和刷新率，是一回事吗？帧率，是1秒时间内传输的图片的帧数，也可以理解为图形处理器（GPU）每秒钟能够渲染出新图像的次数，通常用FPS表示。 刷新率，通常指垂直刷新率，表示屏幕的图象每秒钟重绘的次数，也可以理解为由显卡输入的显示信号，通过电子束对屏幕扫描的次数，把多张静止的图像连贯播放出来形成动态影像。 帧数和刷新率之间的关系在于，刷新率决定了屏幕能展示的帧率的上限，比如120帧率的画面在60Hz的屏幕上，最终显示效果最高也只有60帧每秒。 所以高于刷新率的帧数都是无效的，许多游戏所具备的垂直同步选项就是起到强制游戏帧数不超过刷新率的作用。主流插帧算法之光流法，又是什么？
2K10编辑于 2024-11-12 - 来自专栏拓端tecdat
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列
1% 风险价值 将价格转换为收益 library(ggplot2) # 计算收益率的正态密度 # 价格与收益的关系 bp2 = Close # 转换收益率 bret = dailyReturn # 使用 GARCH 进行波动率建模和预测 广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。 这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。 模型在 ARCH(p) 模型中包含滞后波动率，以纳入历史收益的影响 GARCH(1,1) 每个阶数只使用一个滞后，是实证研究和分析中最常用的版本。 1% VaR 预测 最后获得回测 # VaR预测的回测 report(va., VaRha = 0.05) #α的默认值是0.01 ---- 本文选自《R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列》。
3.5K20编辑于 2022-06-08 - 来自专栏机器视觉CV
【多目标跟踪】Metric？那些你应该了解的MOT评价指标！
这三项依次表示缺失率（ ）、误判率（ ）和误配率（ ） MOTA 主要考虑的是 tracking 中所有对象匹配错误，主要是 FP、FN、IDs、MOTA 给出的是非常直观的衡量跟踪其在检测物体和保持轨迹时的性能 IDTP、IDFP 分别代表真正 ID 数和假正 ID 数，类似于混淆矩阵中的 P，只不过现在是计算 ID 的识别精确度 IDR：识别回召率 (Identification Recall) 是指每个行人框中行人 ID 识别的回召率 其中 IDFN 是假负 ID 数。
7.3K10发布于 2020-07-23 - 来自专栏韩曙亮的移动开发专栏
【Android 高性能音频】AAudio 音频流 数据回调细节 ( 数据回调函数优先级 | 数据回调函数 | 采样率 | 采样数 | 缓冲区调整 | 线程不安全 )
数据回调函数优先级 II . 数据回调函数 相关内容 III . 采样率 处理细节 IV . 数据回调函数 每次 采样个数 numFrames V . 采样率 处理细节 ---- 1 . AAudio 中采样率处理 : 在 AAudio 音频流中 不建议设置采样率 , 一般使用默认采样率即可 , 每个音频设备都有一个最佳采样率 , 如果不设置 , 默认就按照该最佳采样率进行工作 , 如果设置错了 采样率获取 : 如果不设置采样率 , 那么使用默认的采样率 , 该默认采样率通过调用 AAudioStream_getSampleRate () 方法获得 ; 4 . 采样率使用 : 获取采样率后 , 需要准备样本 , 这些样本的采样率需要转换成指定的采样率 , 才能向 AAudio 音频流中读写 , 如果采样率不对 , 播出来的声音就会出问题 ; Android
1.8K10编辑于 2023-03-27 - 来自专栏拓端tecdat
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据
1% 风险价值 将价格转换为收益 library(ggplot2) # 计算收益率的正态密度 # 价格与收益的关系 bp2 = Close # 转换收益率 bret = dailyReturn # 使用 GARCH 进行波动率建模和预测 广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。 这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。 模型在 ARCH(p) 模型中包含滞后波动率，以纳入历史收益的影响 GARCH(1,1) 每个阶数只使用一个滞后，是实证研究和分析中最常用的版本。 1% VaR 预测 最后获得回测 # VaR预测的回测 report(va., VaRha = 0.05) #α的默认值是0.01 本文选自《R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列》。
1.3K10编辑于 2023-02-15 - 来自专栏拓端tecdat
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据
1% 风险价值 将价格转换为收益 library(ggplot2) # 计算收益率的正态密度 # 价格与收益的关系 bp2 = Close # 转换收益率 bret = dailyReturn # 使用 GARCH 进行波动率建模和预测 广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。 这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。 1% VaR 预测 最后获得回测 # VaR预测的回测 report(va., VaRha = 0.05) #α的默认值是0.01 ---- 点击文末 “阅读原文” 获取全文完整资料。 本文选自《R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列》。 在股票市场预测应用 时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格 R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据
1.7K00编辑于 2023-02-23 - 来自专栏拓端tecdat
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据
1% 风险价值将价格转换为收益library(ggplot2)# 计算收益率的正态密度# 价格与收益的关系bp2 = Close# 转换收益率bret = dailyReturn# 改变列名colnames 使用 GARCH 进行波动率建模和预测广义自回归条件异方差 (GARCH) 模型 ，用于预测条件波动率的最流行的时间序列模型。这些模型是条件异方差的，因为它们考虑了时间序列中的条件方差。 1% VaR 预测最后获得回测# VaR预测的回测report(va., VaRha = 0.05) #α的默认值是0.01点击文末 “阅读原文”获取全文完整资料。 本文选自《R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列》。 在股票市场预测应用时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据
1.7K00编辑于 2023-11-08 腾讯云车云一体架构：基于EB级数据闭环的智能汽车迭代解决方案
、脱敏加密、降密 适配弱网环境、支持多种文件形态、CPU/GPU/NPU 广泛兼容 云基础设施 全球骨干网、智算算力 16EFLOPS 智算算力、EB级 存储规模 数据平台 多模态检索、向量数据库 准召率 数据万象（多模态检索）： 基于视觉-语言大模型，准召率 95%。 4. 客户案例：车端数据交互与云端研发提效 车端链路优化： 通过腾讯车端数据解决方案，车企实现了在弱网环境下的高效数据回传。
15100编辑于 2026-05-30- 来自专栏思影科技
Neurology：儿童脑外伤后白质损伤扩散轨迹
脑外伤（TBI）在儿童中具有高发病率以及高致死率。其伤后常见的白质（WM）脱髓鞘会对认知产生不良的影响。 Eva脑图谱包含18条大脑主要纤维束，包括丘脑前辐射（双侧），皮质脊髓束（双侧），扣带回（双侧），下额枕束（双侧），下纵束（双侧），弓状束（左侧），穹窿，以及胼胝体，其中胼胝体被分为6段（额部、中央前回段 、中央后回段、顶部、颞部和枕部）。 TBI-normal-IHTT伤后早期癫痫的发生率较高，但是并无统计学显著性。 纤维束平均MD值在3组间纵向改变 ATR=丘脑前辐射，CGC=扣带束，ARC=弓形束，CC=胼胝体，IFO=下额枕束，ILF=下纵束，POCG=胼胝体中央后回段 ? 图3.
73840发布于 2019-06-19 - 来自专栏游戏多媒体引擎GME开发前沿
GME重磅上线未成年人声音识别功能
二、GME助力识别未成年人语音 GME能对游戏音频中的用户音频年龄特征进行识别，提供准召率行业领先的未成年人识别能力。 能力优势 优势一：高准召。 GME未成年人识别功能准确率、召回率行业领先，游戏语音场景下准召率高达95%+；海量真实场景数据提取语音信号声纹特征，结合长短时间记忆网络LSTM的深度学习系统，保证识别效果；针对各类玩法场景深度优化AI
2.2K153发布于 2021-09-14 腾讯云“车云一体”数据闭环方案：驱动智能汽车AI迭代的核心引擎
腾讯构建“车云一体”五层技术栈 腾讯推出覆盖数据链路的全栈解决方案： 车端数据解决方案：通过定向采集、脱敏加密SDK，提升弱网环境下数据回传效率。 云端数据平台：数据万象服务实现多模态检索准召率95%；VectorDB向量数据库性能超行业平均1.5倍。 云端算力平台：TACO Train千卡扩展比95%，推理加速性能提升30%。 实现月度级OTA版本稳定发布，故障率降低40%。 腾讯技术底座支撑汽车数字化闭环 全球资源覆盖：基础设施遍及21个地区、58个可用区，拥有3200+边缘节点。
18610编辑于 2026-05-30- 来自专栏BestSDK
Google发布Tensorflow物体识别API ，自动识别视频内容
物体的样本包括： COCO数据集的一些物体种类 这个API提供了5种不同的模型，使用者可以通过设置不同检测边界范围来平衡运行速度和准确率。 上图中的mAP（平均精度）是检测边界框的准确率和回召率的乘积。这是一个很好的混合测度，在评价模型对目标物体的敏锐度和它是否能很好的避免虚假目标中非常好用。 很难相信只用这么一点代码，就可以以很高的准确率检测并且在很多常见物体上画出边界框。当然，我们还是能看到有一些表现有待提升。比如下面的例子。这个视频里的鸟完全没有被检测出来。 几个进一步探索这个API的想法： 尝试一些准确率更高但成本也更高的模型，看看他们有什么不同； 寻找加速这个API的方法，这样它就可以被用于车载装置上进行实时物体检测； 谷歌也提供了一些技能来应用这些模型进行传递学习
3.7K50发布于 2018-03-01 - 来自专栏工业物联网数据采集网关
串口转以太网模块赋能电梯控制柜透明改造实施
一、项目背景华东某高端写字楼共28部通力电梯，原命令控制器（以下称“485板”）仅提供Modbus-RTU从站口，波特率19.2 kbps，8E1，站号固定为17。 甲方新部署的楼宇管理平台（BMS）只支持Modbus-TCP，且要求200 ms内完成“召梯—反馈”闭环。 实时性要求：召梯指令必须在200 ms内得到响应，否则会被BMS判定为超时。4. 电磁干扰：电梯变频器、伺服驱动集中，485总线曾出现数据丢包、指令失效现象。5. 登录JM-RTU-TCP-04串口服务器（默认IP 192.168.1.254），把LAN1改为192.168.10.88/24，与BMS同网段· 串口设置：选择“RTU Slave”，站号17，波特率19.2 实时性提升：BMS指令直达电梯，平均响应时间由1.2 s缩短至180 ms，召梯等待率下降22%3.
44710编辑于 2025-10-17 - 来自专栏我是攻城师
Lucene/Solr/ElasticSearch搜索问题案例分析
对于中文本关键词分词后term个数大于3小于9的，我们乐观模式的缺减匹配，至多允许一个词不一致 对于长文本关键词分词后term个数大于10的，我们悲观模式的缺减匹配，至少允许一个词不一致 尽量保证在查准和召全之间的得到一个平衡 这种情况下改词库也解决不了，你不可能将有限公司和有限责任公司保留，而细粒度的关键词去掉，这样的话，召全率就会出现问题 比较好的解决办法是： （1） 匹配方式更改，正如案例一种的场景，我们可以允许term 中，有1到2个term词不匹配，这样的话，就可以互相搜到，但是可能 在召全率上提升，查准率上有所下降，因为他们本来就是相生相克的关系，一个率升高，另一个率必然下降。
1K40发布于 2018-05-14 基于美股 Tick 刷新率构建市场活跃度因子：云端行情处理与量化回测完整实践
概述在跨境美股短线、高频量化策略研发、批量历史 Tick 离线回测场景中，多数研发人员会直接以股价涨跌幅、K 线振幅作为市场活跃度判断依据。 落地仿真推演后普遍存在信号杂讯大、回测与实盘收益偏差明显的问题。 一、仅以价格作为活跃度指标的两大回测与工程短板将涨跌幅、K 线波动作为唯一判断标准，会形成难以通过参数调优消除的模型偏差，也是回测曲线失真、实盘适配差的核心诱因：虚假波动持续生成无效交易信号 仅几笔小额撮合单即可带动短期价格起伏 Tick 刷新率实时统计基础 Python 代码import websocketimport jsonimport timefrom collections import deque# 滑动窗口缓存Tick 云端批量回测中可高效过滤无资金支撑的假性波动，降低模型虚警率，提升交易信号区分度。
14010编辑于 2026-07-02- 来自专栏机器视觉CV
多目标跟踪评价指标
这三项依次表示缺失率（[d4f2345fde9bf8f0dc90b1cd137603ee.svg#card=math&code=%5Cbegin%7Bequation%7D%5Cfrac%7BF%20N %7D%7BG%20T%7D%5Cend%7Bequation%7D&height=29&width=25]）、误判率（[df32d89da1c5c708c83e88a14878b9f2.svg#card code=%5Cbegin%7Bequation%7D%5Cfrac%7BF%20P%7D%7BG%20T%7D%5Cend%7Bequation%7D&height=29&width=24]）和误配率（ 7Bequation%7D&height=29&width=139] IDTP、IDFP 分别代表真正 ID 数和假正 ID 数，类似于混淆矩阵中的 P，只不过现在是计算 ID 的识别精确度 IDR：识别回召率 (Identification Recall) 是指每个行人框中行人 ID 识别的回召率 [75ce48fac8e09e34c3270ec7de103e54.svg#card=math&code=%5Cbegin
3.6K51发布于 2020-06-15 - 来自专栏大数据文摘
手把手 | 亲测好用！Google发布了一个新的Tensorflow物体识别API
物体的样本包括： COCO数据集的一些物体种类 这个API提供了5种不同的模型，使用者可以通过设置不同检测边界范围来平衡运行速度和准确率。 上图中的mAP（平均精度）是检测边界框的准确率和回召率的乘积。这是一个很好的混合测度，在评价模型对目标物体的敏锐度和它是否能很好的避免虚假目标中非常好用。 很难相信只用这么一点代码，就可以以很高的准确率检测并且在很多常见物体上画出边界框。 当然，我们还是能看到有一些表现有待提升。比如下面的例子。这个视频里的鸟完全没有被检测出来。 再进一步，继续探索 几个进一步探索这个API的想法： 尝试一些准确率更高但成本也更高的模型，看看他们有什么不同； 寻找加速这个API的方法，这样它就可以被用于车载装置上进行实时物体检测； 谷歌也提供了一些技能来应用这些模型进行传递学习
1K30发布于 2018-05-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号