- 综合排序
- 最热优先
- 最新优先
- 来自专栏达达前端
意图Intent
意图描述 ：意图是要执行的操作的抽象描述。 意图结构 意图的主要信息是： 动作要被执行的一般操作，如-，ACTION_VIEW等。 放在一起，这组动作，数据类型，类别和额外数据为系统定义了一个允许表达短语的语言，例如“call john smith’s cell”。 意图解析 你将使用两种主要的意图形式。 隐含意图没有指定一个组件；相反，它们必须包含足够的系统信息，以确定哪个可用组件最适合执行该意图。 当使用隐式意图时，给定这样一个任意的意图，我们需要知道如何处理它。
2.2K10编辑于 2022-04-28 - 来自专栏静默虚空的博客
2_表达式
[C++][基础]2_表达式 2.1 算术操作符 2.2 关系操作符和逻辑操作符 2.3 位操作符 2.4 赋值操作符 2.5 自增、自减操作符 2.6 箭头操作符 2.7 2.9 逗号操作符 逗号表达式是一组由逗号分隔的表达式，这些表达式从左向右计算，但返回的结果是其最右边表达式的值。 Eg: int i = (2+1, 3+2, 5*3); cout << i << endl; 2.10 复合表达式的求值 2.11 new和delete表达式 2.12 类型转换 2.12.1 何时发生隐式转换 在混合类型的表达式中，用作条件的表达式被转换为bool类型 用一个表达式初始化某个变量，或将某一个表达式赋值给某个变量，则表达式被转换为该变量的类型。 Eg: int ival = 3.14; //3.14转为整数 int *ip; ip = 0; //0转为指针 2.12.2 算术转换 在算术表达式中，会将操作数类型转为表达式中的最大类型
64910编辑于 2022-05-10 - 来自专栏博客迁移同步
android学习笔记----隐式意图和显式意图
隐式意图和显式意图： 显式意图：显式意图明确指明了启动活动的上下文和想要启动的目标活动，显式意图明确指定了Intent应该传递给哪个组件。 隐式意图：没有明确指定组件名的Intent为隐式意图。 Android系统会根据隐式意图中设置的动作(action)、类别(category)、数据（URI和数据类型）找到最合适的组件来处理这个意图。 开启自己应用的界面用显式意图，开启其他应用(一般指系统应用)的时候用隐式意图(比如拨打电话)。 显式意图安全一些，隐式意图可以通过匹配intent-filter里面的标签对应来跳转到相应的页面 。 = null) { startActivity(intent); } } } 批注： 按钮1，2为了演示隐式意图，按钮3演示显式意图 if (intent.resolveActivity 关于隐式意图： 在case R.id.id_btn2:中 intent.setData(data)和intent.setType(type)注意这两个方法会互相清除，意思就是：如果先设置setData(
3.1K10编辑于 2023-05-06 - 来自专栏陶士涵的菜地
隐式意图和显式意图的使用场景
Display.com.android.mms/.ui.ComposeMessageActivity 查看短信源代码的清单文件，可以看到，一个activity节点下面可以有多个intent-filter，一个意图过滤器里面可以设置多个 android.intent.category.DEFAULT” 调用Intent对象的setData()方法，参数：Uri对象，例如：Uri.parse(”sms:110”) 因此可以明白前面拨打电话部分的写法了 区别： 显式意图 ：同一个应用程序里面，自己激活自己，推荐使用，指定包名类名 隐式意图：不同的应用程序里面，激活别人的程序，或者被别人激活，推荐使用 隐式意图会查询系统里面的所有activity，如果有符合条件的就会直接启动
1.7K20发布于 2019-09-10 - 来自专栏单细胞天地
DESeq2差异表达分析
原始计数数据 利用DESeq2工具对特定细胞类型聚类进行pseudobulk差异表达分析 创建函数以遍历不同细胞类型的pseudobulk差异表达分析 本课程基于2019 Bioconductor tutorial DESeq2差异表达分析 ? 在鉴定了scRNA-seq簇的细胞类型之后，我们通常希望在特定细胞类型内的条件之间执行差异表达分析。 然后，我们将使用DESeq2对感兴趣的条件进行差异表达分析。 用DESeq2进行基因的差异表达分析 我们将使用DESeq2进行DE分析，下面的流程图中用绿色显示了使用DESeq2的分析步骤。 最后一步是使用DESeq2包中的适当函数来执行差异表达式分析。
6.8K34发布于 2020-12-24 - 来自专栏R语言数据分析
表达芯片数据分析2
db) ls("package:hgu133plus2.db") #列出R包里都有啥 ids <- toTable(hgu133plus2SYMBOL) #把R包里的注释表格变成数据框}# 方法2 str_detect(ids2$symbol,"///");table(k2) ids2 = ids2[ k1 & k2,] # ids = ids2 #使用方法二需要将42行F改为T，55行取消注释 ', getGPL = F)#网速太慢，下不下来怎么办#1.从网页上下载/发链接让别人帮忙下，放在工作目录里#2.试试geoChina,只能下载2019年前的表达芯片数据class(eSet)length (eSet)eSet = eSet[[1]] class(eSet)#(1)提取表达矩阵expexp <- exprs(eSet)dim(exp)range(exp)#看数据范围决定是否需要log，是否有负值 ，异常值#exp = log2(exp+1) #需要log才logboxplot(exp,las = 2)#(2)临床信息pd <- pData(eSet)#(3)让exp列名与pd的行名顺序完全一致p
82020编辑于 2023-09-27 - 来自专栏单细胞天地
根据表达矩阵进行分群-2
3 使用Seurat进行tSNE 上面我们使用了RPKM矩阵，下面的Seurat将会使用原始表达矩阵。 当然也是推荐使用原始矩阵进行分析的 3.1 下载原始表达矩阵 链接在：https://raw.githubusercontent.com/IStevant/XX-XY-mouse-gonad-scRNA-seq 2],cluster2[,1]) 0 1 2 3 C1 224 3 13 0 C2 6 0 84 0 C3 12 177 0 1 FF0000FF 190 43 90 240 # 取前1000个sd最大的基因作为HVGs choosed_count <- females # 表达矩阵过滤 3 4 1 2 0 0 206 0 2 1 106 0 0 0 3 0 93 10 0 0 4 1 138 0 1 5
1K40发布于 2020-03-30 - 来自专栏深度学习之tensorflow实战篇
Query意图识别分析
本文主要研究以下几点： 什么是搜索 搜索评价指标 意图识别 query改写 什么是搜索 一个搜索引擎的技术构建主要包含三大部分： (1) 对query的理解 (2) 对内容(文档)的理解 ( 意图的划分问题：技能/领域 用户查询的需求分类: (1) 导航类 (2) 信息类 (3) 事务类 概念介绍: 用户与搜索引擎的一轮完整交互过程称为一个Search Session，在Session 意图识别的方法 1.词表穷举法/规则解析法 2.基于查询点击日志 – 一般一条搜索日志记录会包括时间-查询串-点击URL记录-在结果中的位置等信息。 1、输入不规范，前文中已有介绍，不同的用户对同一诉求的表达是存在差异性的。 2、多意图，查询词为：”水”，是矿泉水，还是女生用的化妆水。 3、数据冷启动。当用户行为数据较少时，很难获取准确的意图。 4、没有固定的评价标准。
4.3K50发布于 2019-07-04 Python 正则表达式（2）
re pattern = re.compile(r'\d+') # 查找数字 result1 = pattern.findall('runoob 123 google 456') result2 = pattern.findall('run88oob123google456', 0, 10) print(result1) print(result2) 输出结果： 输出结果： 多个匹配模式，返回元组列表 re* 匹配0个或多个的表达式。 re+ 匹配1个或多个的表达式。 re? 匹配0个或1个由前面的正则表达式定义的片段，非贪婪方式 re{ n} 精确匹配 n 个前面表达式。 例如， o{2} 不能匹配 "Bob" 中的 "o"，但是能匹配 "food" 中的两个 o。 re{ n,} 匹配 n 个前面表达式。 例如， o{2,} 不能匹配"Bob"中的"o"，但能匹配 "foooood"中的所有 o。"o{1,}" 等价于 "o+"。"o{0,}" 则等价于 "o*"。
30610编辑于 2025-12-16- 来自专栏斑斓
设计匠艺 | 意图导向编程
意图体现在编程层面，仍然可以作为设计的导向，是谓“意图导向编程”。这种设计方法实则就是让设计者能够换位思考，站在调用者的角度思考接口。“假如我是调用者，我希望对象提供怎样的接口？” 若能以DSL风格设计接口，设计意图更能如行云流水般呈现。让方法调用变为赏心悦目的类自然语言，仿佛是对领域逻辑的自然描述。 关键在于“导向”，它将意图作为驱动设计的入口。 一个好的命名可以更加清晰地体现设计意图，从而改进代码的可读性。 不要将程序的可读性简单视为程序设计的小道。认为诸如方法命名、变量定义、语句组织、任务分解等内容，俱是细枝末节，微不足道。 哎，我好像找不到准确的词语来表达如此众多的职责！那么，我们为什么不将这些职责分开，因为它其实违背了“单一职责原则（SRP）”。 故而，当我们从一个类的名称无法清晰地了解它究竟承担了什么职责，又或者它传达了错误消息时，就说明设计存在坏味道，混淆了设计者想要表达的意图。命名需三思，正如作文，需要字斟句酌，以求文意传神。
1.9K70发布于 2018-03-07 - 来自专栏FunTester
意图驱动测试，重塑测试范式
意图驱动的本质 传统脚本里，一条登录用例通常会写得很细：打开 URL，等待输入框可见，输入用户名，输入密码，点击提交按钮（CSS 选择器 #login-btn-v2），等待跳转，断言 .welcome-banner 意图驱动写的是另一回事： 步骤：登录已注册用户 期望：进入首页且看到欢迎信息 短短两行，表达的是业务意图，而不是页面操作。 Playwright MCP 把页面以 2~5KB 的结构化数据暴露给 AI，而不是 500KB~2MB 的截图，让模型在更低成本下理解页面语义，性能也比传统截图方案更可控。 更适合工程团队的方式，是把意图写成半结构化的 YAML： suite: 跨境支付核心流程 context: # 明确运行上下文，避免 AI 在用户状态上自由猜测 user:已认证KYCLevel2用户 Canvas、WebGL、复杂 SVG 渲染的内容无法被 accessibility tree 完整表达，意图解析准确率会显著下降。
13510编辑于 2026-06-17 - 来自专栏秋枫学习笔记
WWW22 用户意图发掘：序列推荐中的意图对比学习
本文主要是针对用户的兴趣表征进行聚类，然后以簇中心代表用户意图，根据用户意图和用户兴趣表征构建损失函数，并且结合原有的序列损失函数和对比学习损失函数构建多任务损失函数。 2. 深度序列推荐模型，通常是将交互序列embedding集合 \mathbf{S}^u 进行编码，发掘用户的兴趣表征 \mathbf{H}^u=f_{\theta}(\mathbf{S}^u) ，H中的每个元素表达用户在位置 {\mathbf{H}}_2^u ，将其聚合后得到兴趣向量表示当前整个序列的表征 \tilde{h}_1^u ， \tilde{h}_2^u ，文中采用的聚合方式是拼接。 方法 图2为总体框架图。通过EM算法交替执行E步和M步来估计意图变量c的分布函数() 并对模型参数进行了优化. 在E-step中，它通过聚类估计() 。 假设意图的先验满足均匀分布，并且给定意图c时 S^u 的条件分布和L2标准化的高斯分布同向，则可以该写成下式，其中 \mathbf{h}^u 为 S^u 的表征。
1.8K50编辑于 2022-09-19 - 来自专栏陶士涵的菜地
隐式意图的配置
http” 设置主机名 android:host=”www.baidu.com” 设置数据类型android:mimeType=”vnd.android.cursor.item/haha” 测试一下这个隐式意图的配置
85510发布于 2019-09-10 - 来自专栏leoay
C++の表达式(2)
题图：NoCopy 字数：361 | 50秒读完我半小时的思考 C++の表达式 左值与右值 今天，我们继续接着昨天的说，昨天说到了C++中表达式的左值与右值，由于时间关系就没有详细说完整。
39520发布于 2019-12-27 - 来自专栏单细胞天地
DESeq2差异表达分析(二)
接上文DESeq2差异表达分析 质量控制——样品水平 DESeq2工作流程的下一步是QC，它包括样本级和基因级的步骤，对计数数据执行QC检查，以帮助我们确保样本/重复 看起来很好。 ? 热图显示了数据集中所有样本成对组合的基因表达相关性。由于大多数基因没有差异表达，样本之间通常有很高的相关性(值高于0.80)。低于0.80的样品可能表示您的数据和/或样品污染中存在异常值。 由于我们没有通过PCA或层次聚类检测到异常值，也没有任何额外的变异源需要回归，所以我们可以继续运行差异表达分析。 Running DESeq2 使用DESeq2进行差异表达分析涉及多个步骤，如下面的蓝色流程图所示。简而言之，DESeq2将对原始计数进行建模，使用归一化因子(大小因子)来考虑库深度的差异。 Results 既然我们已经执行了差异表达式分析，我们就可以查看特定比较的结果了。为了对感兴趣的比较，我们需要指定对比度并执行log2 fold changes。
7.3K52发布于 2020-12-24 - 来自专栏mythsman的个人博客
正则表达式基础（2）
所谓后向引用，就是将之前匹配到的字符串记录下来，供后来继续用，提高表达式的效率。 具体用法是，系统会给表达式中所有的分组标上序号，从1开始。 =exp) 零宽度正预测先行断言 它断言自身出现的位置的后面能匹配表达式exp。比如bw+(? 2、(?<=exp) 零宽度正回顾后发断言 它断言自身出现的位置的前面能匹配表达式exp。比如(? 例如：2[0-4]d(?#200-249)|25[0-5](?#250-255)|[01]?dd?(?#0-199) 。 贪婪与懒惰 当正则表达式中包含能接受重复的限定符时，通常的行为是在满足匹配关系的情况下匹配尽可能多的字符。这被称为贪婪匹配，也是默认的匹配方式。
59410编辑于 2022-11-14 - 来自专栏最新最全的大数据技术体系
Coze 识别用户意图
Coze 识别用户意图 本文将通过 LLM 节点、Condition 节点和插件节点构建一个用于识别用户意图的工作流。 效果示例 本文构建的示例工作流概览如下。 2.在左侧导航栏的工作区区域，选择进入指定团队。 在页面顶部进入工作流页面，并单击创建工作流。 本文示例配置如下： 工作流名称：输入 weather_news_workflow 工作流描述：输入 识别用户意图并获取相关信息（仅获取天气、新闻相关） 在工作流的编辑页面，按如下图所示的顺序 **如果**区域的判断条件设置为 **LLM > intent 取值包含 2** ，并连接至 getToutiaoNews 节点。该分支用于获取新闻。 该参数用于返回用户意图。参数名称 newsItems，**参数值**选择**引用 getToutiaoNews > news**。该参数用于返回新闻内容。
1.8K00编辑于 2024-05-26 - 来自专栏云时之间
NLP系列学习：意图识别
最近刚刚把垃圾文本分类做完，接着又去研究意图识别，可以看做是分类完之后的后续处理，通过这篇文章记录下自己的学习经历。 1：意图识别要做啥？ 2：意图识别的方法 因为意图识别本身也是一个分类问题，其实方法和分类模型的方法大同小异。 常用的有： 1：基于词典模板的规则分类 2：基于过往日志匹配（适用于搜索引擎） 3：基于分类模型进行意图识别 这三种方式基本上是目前比较主流的方法，现在进行意图识别的难点主要是两点，一点是数据来源的匮乏 基本的思路与下图所述的论文相似： 2.JPG 既然CNN比不上RNN，为什么还是选取了CNN，我的想法是文本分词后一般会有粒度和语义的矛盾，粒度太大，分词效果不好，粒度太小，语义丢失，而CNN核心过程是卷积 2：输入的词向量是否可以多换几种表述方式？ 这几个小trick等研究之后再来更新一下，我也是在学习中，大家如果有好的建议也请多多指教。
2.7K20发布于 2018-08-13 - 来自专栏图与推荐
GNN4Rec-2: 解耦表示，理解用户的多样偏好和意图
因此这个工作更关心用户意图上的细粒度上如何分离，鼓励意图独立，如图中的k可以表示不同的意图： ? 由于需要用户意图，那么基于不同意图的交互形式就可以被分解为 个： 和 分别表示用户和商品。同时，图也可以表示成 。 用户在某种意图下的表征可以表示为： 表示1阶邻居。利用抽取的独立意图，再重新赋值给原来的节点，相当于一个更新的过程，这里用 表示更新次数，更新示意图如图所示： ? 同时，每次迭代也需要对 进行更新，即对意图强度进行调整，得到不同的意图空间： 最后，图网络的第 层可以写作： 最终的用户和商品的表达为将几层的信息加在一起，为： 这个模型的损失函数同样也是由相关系数构建的 所以，其潜在子空间也是建立在用户上的意图差异，子空间的划分方法也与上文相同，通过线性函数+归一化进行映射。 ? 模型示意图展示了整个流程。不同的节点表示不同的类型，颜色则表示不同的3种潜在意图特征。
1.5K30发布于 2021-07-30 - 来自专栏R语言&linux
转录组测序分析——差异表达分析2
1.功能注释2.功能富集rm(list = ls())options(stringsAsFactors = F)library(clusterProfiler)library(org.Hs.eg.db) library(GSEABase)library(ggplot2)library(tidyverse)## Error in download.KEGG.Path(species)# https://github.com "clusterProfiler.download.method")# 读取差异分析结果load(file = "data/Step03-edgeR_nrDEG.Rdata")ls()# 提取所有差异表达的基因名 <- dotplot(ekegg, showCategory=10,label_format=100)plotc = p1/p2plotcggsave('result/6.enrichKEGG.png' my_path <- data.frame(my_path)write.csv(my_path,"result/6.enrich_HALLMARK.csv") 3.功能富集 GSEA &GSVAGSEA：基因集表达分析总共有
57510编辑于 2023-11-03
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