- 综合排序
- 最热优先
- 最新优先
- 来自专栏张叔叔讲互联网
画像平台人群创建方式-导入人群创建
导入人群是将外部数据导入画像平台构建人群，主要有3种实现方式：文件导入、Hive表导入和SQL导入。 Hive导入和SQL导入方式创建的人群数据直接存储到Hive表中，后续需要通过HiveToBitmap将人群数据写入BitMap并存储在OSS中。 与Hive导入人群方式不同，文件导入优先生成人群BitMap，之后再通过BitMapToHive过程写入到人群结果Hive表中。 导入人群是画像平台最常用的人群创建方式之一，其实现了将各类数据源沉淀为人群的功能，支持更灵活的人群创建方式，拓展了画像平台数据范围。 比如运营人员将某次活动中表现良好的用户导入画像平台并构建成人群，后续可以进行广告投放或者人群分析；数据分析师离线统计出了一批高价值用户，导入平台构建人群后可以直接提供给业务使用。
90610编辑于 2023-10-19 - 来自专栏生信技能树
把maf格式的somatic突变数据导入annovar去除人群频率变异
Aug 17 16:57 tmp.hg38_avsnp150_dropped 174K Aug 17 16:57 tmp.hg38_avsnp150_filtered 56K Aug 17 17:11 tmp.hg38_clinvar_20170905_dropped 477K Aug 17 17:11 tmp.hg38_clinvar_20170905_filtered 35K Aug 17 17 :55 tmp.hg38_gnomad_genome_dropped 178K Aug 17 16:55 tmp.hg38_gnomad_genome_filtered 153K Aug 17 17:11 tmp.hg38_intervar_20180118_dropped 436K Aug 17 17:11 tmp.hg38_intervar_20180118_filtered 40K Aug 17 首先，被千人基因组计划的人群频率0.05过滤掉的坐标拿出来： perl -alne '{print if $F[1]>0.05}' tmp.hg38_ALL.sites.2015_08_dropped
2.3K20发布于 2018-09-21 - 来自专栏张叔叔讲互联网
人群LookALike以及挖掘人群的创建思路
人群LookALike是给定种子人群，然后通过技术手段找到与该种子人群相似的用户群体。 图5-26展示了基于向量求LookALike人群的主要流程。图片基于种子人群特征分布计算相似人群。 图片基于分类算法计算相似人群。把种子人群当作正样本，其他非种子人群（或者其他人群）当作负样本，通过训练分类模型计算出满足条件的用户并构建目标人群。 目前也有利用社交网络进行人群LookALike的实践方案，通过好友关系找到种子人群中所有用户的几度好友并构建目标人群。挖掘人群是指定优化目标，借助算法能力找到满足要求的用户并构建人群。 人群挖掘的思路是先找到训练样本（种子人群），然后通过LookALike的思路扩展种子人群。该方式与人群LookALike不同的是，人群挖掘的结果中可以包含种子人群中的用户数据。
1.9K30编辑于 2023-10-22 - 来自专栏张叔叔讲互联网
画像平台人群创建方式-规则人群创建
，同理，人群圈选条件最终转换为Hive SQL语句并最终将执行结果构建为人群。 前两种执行方式生产的人群会优先产出BitMap并存储到OSS中，第三种方式生成的人群数据直接存储在Hive表中。为了实现人群数据的持久化存储和便捷的接口调用，人群数据最终会存储在Hive表和OSS中。 Hive表中的人群数据主要用于离线数据分析场景，很多业务使用人群之后需要通过人群结果表进行效果分析。图5-13展示了人群结果表的表结构设计，人群crowd_id作为分区键，分区下包含该人群所有用户。 OSS中的人群数据主要应用在通过接口获取人群数据的场景下。人群数据压缩为BitMap并存储到OSS中，一亿人群大小在100M左右，通过接口可以在几秒内获取到人群结果。 表中数据，在内存中构建BitMap后存储到OSS中；BitMapToHive需要将内存中的数据快速写入Hive表，主要分为写入本地文件、上传到HDFS以及加载成Hive表三个步骤，该过程与第3章中通过文件导入创建标签类似
2K00编辑于 2023-10-18 - 来自专栏java技术大本营
JVM | Clion导入OpenJDK11源码并调试
昨天改了半天还改成功, 但是其中的写法可以学习参考 导入源码到CLION 打开CLION -> New CMake Project from Sources 然后选择JDK源码目录,然后按默认勾选,点 java程序 然后原有的test目录都删除掉 完整的CMakeList.txt因为大长,就不复制,可前进github查看: https://github.com/xiaodaojava/openjkd11 -CmakeList 开始调试 在右上角,和idea一样的位置,创建一个Cmake Application 然后我们把断点打到jdk11/src/java.base/share/native/libjli
5.2K20发布于 2020-02-17 - 来自专栏机器学习、深度学习
人群行为分类数据库--Crowd-11: A Dataset for Fine Grained Crowd Behaviour Analysis
Crowd-11: A Dataset for Fine Grained Crowd Behaviour Analysis CVPRW2017 这个数据库目前貌似没有公开，以后应该公开吧。 针对人群行为分析方面的研究，本文主要的工作有以下三点： 1）针对人群行为细分，我们建立了一个较大的数据库 Crowd-11， 11 crowd motion patterns and it is Related work Crowd analysis 人群行为分析主要包括以下几个方面的工作： 1）Counting or density estimation 人群密度估计及计数 2） analysis 人群行为分析 1.2. 所以我们需要建立一个大的很是数据库 11类视频人群运动名称 ? ?
1K100发布于 2018-01-03 - 来自专栏Qt项目实战
Qt编写控件属性设计器11-导入xml
一、前言 上一篇文章负责把设计好的控件数据导出到了xml文件，本偏文章负责把导出的xml数据文件导入，然后在画布上自动生成对应的控件，Qt内置的xml数据解析功能，非常强大，都封装在QtXml组件中，Qt 支持手动选择插件文件，外部导入插件文件。 可以将当前画布的所有控件配置信息导出到xml文件。 可以手动选择xml文件打开控件布局，自动根据xml文件加载控件。 集成自定义控件属性设计器，支持拖曳设计，所见即所得，支持导入导出xml格式。 自带activex控件demo，所有控件可以直接运行在ie浏览器中。
1.1K00发布于 2019-09-14 - 来自专栏机器学习、深度学习
人群密度估计
Counting Varying Density Crowds Through Attention Guided Detection and Density Estimation CVPR2018 本文针对人群密度问题 将 检测方法和回归方法结合到一起，以此来提升人群密度估计精度 人群密度估计问题目前主要的方法有基于检测的和基于回归的方法。 在人群密度小的时候，基于检测的方法效果更好。在人群密度较大的时候，基于回归方法的效果比较好。 ? ? 本文的思路就是将 检测方法和回归方法结合起来，各取所长。
1.5K40发布于 2019-05-26 - 来自专栏用户画像
相似人群画像算法
一、数据源 1、相似人群数据存在TDW库中，数据字典说明： CREATE TABLE sim_people_tdw_tbl( uid STRING COMMENT 'reader id', ', update_date STRING COMMENT 'update_date' ) 字段 类型 含义 uid string 用户标识 sim_uids string 与uid喜好相似的人群 相似人群字典表 :return: 相似度最高的相似人群 """ user_similarity_list = sorted(cluster_dic.iteritems(), key :群画像某个维度的特征 :param user_dimension:用户某个维度的特征 :param ratio:user的权重，公式为相似度/（相似度+10），区间为（1/3，10/11 : 相似人群的相似度字典表 :return: 相似人群画像字典表 """ cluster_profile_rs = {} for sim_user_obj in sim_users_profile_array
2.6K61发布于 2018-07-19 - 来自专栏全栈程序员必看
oracle11g数据库导入导出方法教程
oracle11g数据库导入导出： ①:传统方式——exp(导出)和(imp)导入： ②:数据泵方式——expdp导出和（impdp）导入; ③:第三方工具——PL/sql Developer; 一 oracle11g数据库的导入/导出，就是我们通常所说的oracle数据的还原/备份。 5.弄清是导入导出到相同版本还是不同版本(oracle10g版本与oracle11g版本)。 6.目标数据导入前,弄清楚是数据覆盖(替换),还是仅插入新数据或替换部分数据表。 imp:导入命令，导入时必写,每次操作，二者只能选择一个执行。 3.导入建表语句 导入步骤tools->import tables->SQL Inserts 导入.sql文件 4.导入数据； tools->import talbes，然后再根据导出的数据格式选择导入
3.8K40编辑于 2022-06-26 - 来自专栏机器学习、深度学习
人群密度估计
该网络在几个常用的公开人群密度估计数据库上取得了不错的效果。 1 Introduction 拥挤场景解析的发展从简单的人群数值估计到 人群密度图估计，人群密度图可以提供额外的信息，因为同样数量的人可以分布在不同的位置，如下图所示 ? 生成准确的人群分布图挑战性比较大，其中一个主要的困难就是离散化的问题，人在图像中不是只占用一个像素，密度图需要保持局部邻域的连续性。其他的困难包括场景的多样性，相机角度的多样性。 以前基于CNN网络的人群密度估计主要采用了 multi-scale architectures，虽然取得了不错的性能，但是存在两个问题：当网络变深的时候， the large amount of training 人群密度估计从方法上来说可以分为三大类：detection-based methods, regression-based methods, and density estimation-based methods
1.7K30发布于 2019-05-26 - 来自专栏机器学习、深度学习
人群分析、人群计数 开源代码文献及数据库
Scale-adaptive Convolutional Nerual Network https://github.com/miao0913/SaCNN-CrowdCounting-Tencent_Youtu 人群分析 Towards perspective-free object counting with deep learning ECCV2016 https://github.com/gramuah/ccnn 人群计数 Density Estimation for Crowd Counting AVSS 2017 https://github.com/svishwa/crowdcount-cascaded-mtl 人群计数 /hosseinm/med Panic，Fight，Congestion，Obstacle ，Neutral 人群异常检测 Anomaly Detection and Localization in Crowded Scenes 数据库 http://www.svcl.ucsd.edu/projects/anomaly/ 人群分析 Deep Spatio-Temporal Residual
2.1K70发布于 2018-01-03 - 来自专栏张叔叔讲互联网
人群数据如何对外输出
比如用户希望在Push平台上针对指定人群下的所有用户推送消息，此时可以使用画像平台接口拉取人群数据；在七夕活动中，运营人员投放使用了多个人群，为了分析不同人群的转化效果，此时需要将人群结果的Hive表提供给数据分析师使用 拥有数据表权限的用户理论上可以读取到所有人群下的用户数据，如果部分人群数据比较敏感（比如充值用户人群、日活用户人群），就需要严格控制Hive表的读取权限。 可以通过人群下载等平台功能将人群数据导出到临时Hive表中供业务使用，这样可以避免上述三类问题的发生。对外提供人群数据的服务接口主要有两个：获取人群基本信息接口和获取人群BitMap接口。 获取人群基本信息接口主要用于查询人群基本信息，其中包括人群名称、用户数量、人群状态、创建者、创建规则等，该接口可以使用缓存来提高接口性能。 当业务方需要感知人群状态变化时，可以定期调用人群基本信息接口，对比人群前后状态就可以知道人群状态是否变更。比如在Push平台上置了一个定时更新人群，当人群数据更新后需要再次给人群下的用户推送消息。
72150编辑于 2023-10-23 - 来自专栏机器学习AI算法工程
受众行为分析与人群定向
“物以类聚，人以群分”这句古语不仅揭示了物与人的自组织趋向，更隐含了“聚类”和“人群”之间的内在联系。 例如在现代数字广告投放系统中，最为关键的“人群定向”功能正是通过“聚类”算法得以实现的。 明白了这一点，也就触摸到了人群定向的天花板–不可能百分之百精准。 如何从广泛的受众中提炼目标人群呢? 正是依靠受众行为分析。 下面我们以易传媒的广告投放算法为例，浅析一下怎样由预先标注的关键词标签，一步步建立完整的受众行为分析模型，挖掘出具有相似行为特征的人群，提炼人群的属性特征，最终进行最合适的广告投放的。 人群定向投放 作为人群定向广告正式投放前的最后一步，受众聚类和结构化的人群分类将进行匹配映射。这种映射是利用二者标签集合的重合度来实现的。 根据第一节所述关键词模型的优势，它至少有如下两个用途： （1）当一个投放策略的人群定向选择了”奢侈品”或者”汽车”时，广告允许被指定投放给受众聚类φ所包含的Cookies. （2）利用两个标签在一个细分人群中的内在关联性
2.5K70发布于 2018-03-14 - 来自专栏机器学习、深度学习
人群计数--Mixture of Counting CNNs
of CNNs Specialized to Specific Appearance for Crowd Counting https://arxiv.org/abs/1703.09393 本文是人群计数的 ，不是人群密度估计。 这里主要的思路是针对不同场景的 scale and congestion 造成图像块的 Appearance 差别很大，这里我们使用多个小 CNN 来估计总人群。 另外适应一个大点的 CNN 对 图像块进行分类，这种分类主要依据人群密度大小。类别的概率作为每个小 CNN 的权重。 Appearance 的差异性 ?
71370发布于 2018-01-03 选址、调研所需周边人群画像怎么获取？区域人群画像分布API接入指南！
在传统商业决策中，有多少资源因“目标人群”画像模糊而被浪费？多少营销活动因缺乏精准人群触达而效果不佳？多少市场调研因无法获取核心客群画像数据，导致策略偏离实际？ 区域人群画像分布APIAPI介绍：查询指定区域内得人群基础画像（共11类画像数据）；从标准开发文档中的关键参数，即可看出其灵活性与实用价值：Body参数从Body参数可知，你可以自由选择不同季度（Q1~ 此外，你还能选择10类人群，获取其11类画像数据，涵盖基础画像（如年龄、性别）和各种偏好画像（如消费、兴趣），全面覆盖人群分析所需维度。 API获取指南及应用案例这个API主要来源是一个新上线的数据开放平台，提供很多人群、客流类 API（人群热力图、人群画像、客流趋势、客流画像等），比较小众，但包含的API还是很实用的。 若您的业务也需构建人群画像、区域洞察或客流分析等能力，“区域人群画像分布API”将是理想选择。
34410编辑于 2025-10-17- 来自专栏无原型不设计
Mockplus 的主要应用人群
所以，Mockplus的适用人群是比较广的，只要你有产品（范围很广，可以是某网站，某功能，某个策划案，某个广告模型，某个创意等）模型的展示需要。
84360发布于 2018-03-15 - 来自专栏杨建荣的学习笔记
ORACLE 11g导入9i dump的问题及解决
因为系统迁移，需要将一部分的9i的数据导入11g的库里， 目标库是11.2.0.3.0 64位的环境。 导入dump的时候，有一个比较大的分区表，需要用导入分区的方式，就写了如下的命令。 Connected to: Oracle Database 11g Enterprise Edition Release 11.2.0.3.0 - 64bit Production With the Partitioning 为了继续，然后尝试直接按表导入，但是还是导不进去，不过报错信息倒是不太一样了。 9102000 log=imp_log_TEST_DB_PAR_P1_test Import: Release 11.2.0.3.0 - Production on Wed Mar 19 17:04:11 grants=n indexes=n buffer=9102000 log=imp_log_TEST_DB_PAR_P1 & Connected to: Oracle Database 11g
1.7K70发布于 2018-03-13 - 来自专栏燧机科技-视频AI智能分析
人群异常聚集识别监测系统
人群异常聚集识别监测系统基于OpenCv+yolo网络深度学习模型，对监控区域内的人员异常聚集行为进行识别，一旦人群异常聚集识别监测系统OpenCv+yolo网络深度学习模型发现监控画面中出现人群大量聚集
85330编辑于 2022-12-27 - 来自专栏杨建荣的学习笔记
关于导入导出sequence(r4笔记第11天)
在各个环境之间导入导出数据的时候，sequence也是一个不可忽视的环节。 数据的导入导出不会默认调用sequence，所以如果不能合理的处理sequence问题，就很可能影响到imp/impdp的进度，甚至导致很多数据问题。 oracle没有显示提供工具来做sequence的导入导出，但是工具是死的，人是活的还是有一些途径来完成sequence的导入导出。 [ora11g@rac1 ~]$ strings a.dmp|grep "CREATE SEQUENCE"|awk '{print $0";"}' CREATE SEQUENCE "TEST_SEQ2"
1.5K50发布于 2018-03-15
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