- 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 行业数据显示，采用混合检索的方案可将召回率从单一向量检索的78%提升至92%以上-1-7-9。 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。
19410编辑于 2026-05-20- 来自专栏数据仓库技术
留存专题-计算1~7日留存率
我们使用留存专题-基础数据生成数据，计算2024-01-01日~2024-01-07日新增用户的1日、2日、3日、4日、5日、6日、7日留存率 方法一 根据新增日期，关联对应日期的登陆数据，计算关联上的登陆用户数据 ，从而计算出留存率 select create_date, count(t_login_1.user_id) / count(t_create.user_id) as r1_rate, -----+----------+----------+----------+----------+ 方法二 根据新增用户信息，关联出所有的登录记录，然后判断出对的N日是否留存，然后计算出对应的留存率。 +----------+----------+----------+----------+----------+----------+ 方法三 根据新增用户信息，使用竖表计算出每天对应所有日期的留存率， 然后行转列，展示出对应的1~7日留存率。
63210编辑于 2024-12-19 - 来自专栏每天晒白牙
北漂7年程序猿回看工作选择
2016 年初开始北漂工作，距今刚好 7 年了，做个简单的总结考研败北，不再二战聊工作不得不先说下考研失败的经历 大三和大四一直备战考研，没有为找工作做一点准备工作，可以说就没给自己留任何的退路，起早贪黑的备考 我内心的天平更倾向 58现在回看在 58 同城 3 年的时光，确实成长很多，这个选择我是很满意的。 这次选择没有从成长和成事的角度选，而是遵从了内心，我内心是想弥补大厂的空缺，所以最后选了腾讯这个选择的 2 年后，也就是现在，回看下当时的选择 猿辅导，后面双减政策一出，猿辅导开始裁员，上市更是无望，没去对了
90730编辑于 2023-03-08 - 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Lan小站
Android中Activity类的7个回调方法
以上7个方法中除了 onRestart()方法，其他都是两两相对的，从而又可以将活动分为三种生存期。 完整生存期。
2K20编辑于 2022-07-14 - 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 - 来自专栏软件开发 -- 分享 互助 成长
win10使用u盘装回win7
背景：一朋友要我帮忙把系统从win10装回到win7，因为做IT的嘛，想想也难不倒我，况且以前也经常重装系统，硬盘里就有win7的系统，于是很爽快的答应了。 官方教程：http://bd.ushendu.cn/jiaocheng/upzwin7.html 教程比较简单，可是时间操作的时候遇到了很多坑，往往一步阻塞住就要在网上搜大量的材料去搞，下面把我安装过程中遇到的问题和解决方法列出到下 2、win7源，要用原版的，不能用ghost类型的，否则进入winPE之后，无法选择到镜像文件，表现为无论你怎样从目录中选取镜像，都跳回到Z盘。 3、磁盘格式化时出现错误，提示磁盘无法写入，还是什么来着 原因：因为win10用的是GPT Boot on UEFI引导启动，而win7用的是MBR引导启动，所以我们在要选择装系统之前，需要把磁盘的gpt
2.9K90发布于 2018-02-05 - 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 - 来自专栏机器学习之禅
7 | PyTorch中求导、梯度、学习率、归一化
因为标题没办法改，所以我今天接着用编号7了。 今天我们继续，接着昨天的进度。 先回顾一下上一小节，我学到了构建起一个模型函数和一个损失函数，然后我们使用人眼观察损失，并手动调整模型参数。 这里你想到什么问题，就是我们前面说的学习率过大了，那我们就把学习率调小一点，其他的不变，把学习率改到1e-5，同时把grad和params也输出看一下。 我们观察一下结果，在params上，参数w和参数b基本上有10倍的差距，而我们使用同一个学习率那么可能导致一些问题，如果说这个学习率对较大的那个参数比较合适，那么比较小的那个肯定是属于优化过慢，而如果学习率比较适合较小的那个参数 这个时候我们自然想到的是给每一个参数设定一个不同的学习率，但是这个成本很高，至少目前看起来是很高，因为我们在深度模型里可能会有几十亿的参数，那就需要有几十亿的学习率。 ，这个时候可以增大epoch，或者增大学习率。
1.2K21编辑于 2022-07-11 - 来自专栏锦小年的博客
课程笔记7--fMRI数据的时间分辨率和空间分辨率
而PET成像技术的时间分辨率一般是几分钟，略差于BOLD fMRI,而空间分辨率是厘米级的,略优于EEG和MEG。 下图是Polimeni et al（2010）在磁场强度为7T的情况下做的一个实验： 简单来讲，研究者就是想搞清楚给被试看一个物体，在视觉皮层会显示出怎样的形状。 然后我们来看BOLD点分布功能，它与微脉管系统和被局部神经活动影响的坏区域相关，而这又与磁场强度有关系，比如说，1.5T时，BOLD点分布功能是比较粗糙的（大约在4mm左右），在3T时，它大约在3mm左右，而7T 二、时间分辨率 我们之间讲过，EEG和MEG有着极佳的时间分辨率。 目前领域内fMRI的最佳情况是高强度7T成像，伴随着单个被试解码和快速采样，在时间和空间分辨率上我们都可以做得更好。 拓宽界限到底为什么如此重要？
6.2K10发布于 2019-05-26 腾讯和Dior「联合致电」，到店率提升7%
客户回访方案——基于腾讯云联络中心TCCC（Tencent Cloud Contact Center，一个能打电话、发消息，还能语音视频通话的智能客户联络平台），利用AI自动记录和AI会话分析，把回访接通率和通话时长提升了 100%，顾客权益到店核销率提升了7%，会员微信绑定率也持续增长。
39110编辑于 2025-11-05- 来自专栏小程序运营干货和技术开发分享
干货|7个快速提升直播转化率的技巧
在李佳琦的直播间，除了直接用7折的价格卖品牌产品，除此之外，还买一送一。 里外里就是3.5折，这是任何渠道都拿不到的价格。果然，这款产品在直播间瞬间被抢光。 全网最低价是头部「网红」的底气和实力。
2K1110发布于 2020-04-22 - 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 - 来自专栏全栈程序员必看
ios学习7_iPhone屏幕尺寸、分辨率及适配
1.iPhone尺寸规格 设备 iPhone 宽 Width 高 Height 对角线 Diagonal 逻辑分辨率(point) Scale Factor 设备分辨率(pixel) PPI 3GS 7.Resolutions &Rendering 8.@2x/@3x以及高倍图适配 （1）@2x @2x means the same “double”retina resolution 《详解 iPhone 6 Plus 的奇葩分辨率》《iPhone 6 Plus屏幕分辨率》 如果APP要同时兼容iPhone3GS~iPhone6+，则需要提供icon.png/icon@2x.png /icon@3x.png三种分辨率的图片。 （1）按宽度适配 我们先来看一下iPhone4~6(+)的屏幕高宽比： iPhone4(s)：分辨率960*640，高宽比1.5 iPhone5(s)：分辨率1136
4.5K20编辑于 2022-08-27 - 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。 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 # 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JAVA乐园
VirtualBox 6.x + CentOS 7.x 调整分辨率
0x01：概述 VirtualBox 安装完 CentOS 后无法调节分辨率，需要安装额外的工具。 ? rcvboxadd quicksetup all VirtualBox Guest Additions: Building the modules for kernel 3.10.0-1160.24.1.el7. 然后就可以自由调节分辨率了。 另外，共享剪贴板和拖放，可以在下图设置。 ?
1.3K20发布于 2021-04-26 - 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 ]）和误配率（[c301e411c0398e66e78d3eab788b9832.svg#card=math&code=%5Cbegin%7Bequation%7D%5Cfrac%7BI%20D%20S 2C%20i%7D%7D%7B%5Csum_%7Bt%7D%20c_%7Bt%7D%7D%5Cend%7Bequation%7D&height=38&width=106] [da6834ea306c993ae190d8ac693a25f0 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 [
3.6K51发布于 2020-06-15 - 来自专栏博文视点Broadview
【回血赠书第7期】Kubernetes学习指南，轻松拥抱云原生
回血赠书第7期带着Kubernetes书单来啦！ 作为云原生环境下非常热门的开源技术，K8s能够帮助我们更好地拥抱云原生，加速创新！ 马上进入12月了，趁着最后一个月，跟着博文菌再冲刺一波！ 3 《Kubernetes生产化实践之路》 4 《Kubernetes源码剖析》 5 《Kubeflow: 云计算和机器学习的桥梁》 6 《Kubernetes in Action中文版》 7 网络权威指南：基础、原理与实践》 ▼ NO.1 ▊《阿里云数字新基建系列：云原生操作系统Kubernetes》 罗建龙 刘中巍 张城 黄珂 苏夏 高相林 盛训杰 著 来自阿里云核心技术团队的实践沉淀 7位云原生技术专家聚力撰写 （扫码了解本书详情） NO.7 ▊《Kubernetes权威指南：企业级容器云实战》 闫健勇，龚正，吴治辉，刘晓红，崔秀龙 等著 直击容器云技术热点和难点 Kubernetes企业级容器云落地实战及指南
51110编辑于 2023-05-19
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