- 综合排序
- 最热优先
- 最新优先
- 来自专栏bisal的个人杂货铺
MySQL数据导入方案场景推荐
推荐第一种，都是单线程。 -B test -d /backup // 导入主库时需要添加 --enable-binlog // 库名可以自定义 -B test 耗时 2 分钟，建议如下： 在数据量大于 50G 的场景中 ，更推荐 mydumper。 补充场景，支持导出 CSV，也支持 --where 过滤。 Util.exportTable 备份是单线程，导入是多线程，不推荐的原因是导入容易出错（多次导入可解决）。
62110编辑于 2023-10-19 - 来自专栏全栈程序员必看
unity3D场景_3D夜晚场景
在学习阿发你好的网课过程中，学习完Unity的2D课程后深有感触，决定将3D学习过程一步步记录下来，也方便日后查询。 创建3D项目 Step1：在UnityHub中新建3D项目 Step2：将页面调整为2×3布局（项目中通常使用2×3） 新建项目 选择 window -> layouts -> 2 by 3 选择 window->General->Console 调出控制台 认识3D场景 天空盒skybox：上有蓝天，下有深渊，在计算机图形学学习过程中就有所涉及。 场景中还有什么？ 方向标识：3D视图导航器Gizmos； 坐标网格Grid，标识y=0坐标平面（一般不作调整）； 摄像机与光源。 3D视图导航 1、移动视图：按Q选择手型工具或者直接使用鼠标中键 2、旋转视图：ALT+鼠标左键 鼠标右键，摇摆 3、缩放：滚轮 或 ALT+右键 建立方向感 由于Unity中没有规定方向，为方便建立方向感
73530编辑于 2022-09-22 - 来自专栏清羽飞扬
CloudflareVercel项目推荐(3)
碎碎念 早期，我曾发布过两个关于 Cloudflare 和 Vercel 平台的项目推荐，发现大家对此类内容非常感兴趣。因此，我决定将这一栏目长期更新！ 鉴于 Cloudflare 和 Vercel 等 Serverless 平台之间有许多共性，这次我将二者的推荐内容合并在一起，希望能为大家提供更多实用的参考。 作者提供了两种部署方式，推荐选择第一种方式。尽管第二种方式看似更简单，但实际上和第一种差异不大。第一种方式部署过程更加清晰直观，且在出现问题时便于调试 (Debug)。 为解决图标素材的问题，我下面会推荐一个专门的图标生成站点，该站点支持图标的内边距、外边距以及阴影等多种自定义选项，能够完美契合该封面制作工具。具体介绍请见下面的项目。 该工具不仅提升了封面的美观度，还适用于其他需要图标设计的场景。
1.1K10编辑于 2025-01-14 - 来自专栏机器学习与推荐算法
面向推荐场景的自监督超图Transformer
研究背景 最近几年来，推荐系统在各种网络应用中扮演着越来越重要的角色，例如在线购物、流媒体服务和地点推荐。这些算法模型有助于减轻信息过载问题，同时提高用户体验。 尽管最近的图神经协同过滤方法在隐式反馈等任务上取得了很好的推荐效果，但仍然存在一些挑战，需要解决。首先，在各种推荐场景下，由于各种原因，噪音数据无处不在。 SHT的判别式去噪自监督方法可以作为插件应用到现在基于图神经网络的推荐系统模型中去。 3. 实验结果 本文使用Yelp、Gowalla和Tmall三个公开数据集进行实验验证，详见下表统计信息。 在未来的工作中，可以将SHT架构拓展到更多的推荐场景。
70720编辑于 2023-08-22 - 来自专栏机器学习与推荐算法
智能推荐算法在直播场景中的应用
难以做到“千人千面”的个性化推荐效果。 有可能所有用户看到的都是头部主播，这样就无法做到个性化推荐，也会造成用户看腻的情况。 3. 现代推荐系统架构简介 ? 通过上面的计算，假如我们要对用户3进行推荐，得到用户3未操作的物品B的评分为0.58，未操作的物品C的评分为0.82，按照评分大小进行排序，生成有序的推荐集，那么用户3的推荐集为（物品C>物品B）。 上面分享了花椒直播推荐系统从0到1的搭建过程，包括召回和排序过程，但可以发现这些其实是很通用的，完全可以应用于商品推荐、小视频推荐等其他场景。下面会分享些直播场景和其他场景不一样的地方。 Reference 本文是Microstrong在观看花椒直播推荐系统高级算法工程师王洋在B站上讲解的《智能推荐算法在直播场景中的应用》视频的笔记。 【1】花椒直播推荐系统高级算法工程师王洋：智能推荐系统在直播场景中的应用，视频，地址：https://www.bilibili.com/video/av90507035?
2.6K30发布于 2020-04-21 - 来自专栏Web技术布道师
推荐1-高并发场景，nginx怎么限速
这在实际场景中未免过于苛刻，真实网络环境中请求到来不是匀速的，很可能有请求“突发”的情况，也就是“一股子一股子”的。 实验3——nodelay降低排队时间 实验2中我们看到，通过设置burst参数，我们可以允许Nginx缓存处理一定程度的突发，多余的请求可以先放到队列里，慢慢处理，这起到了平滑流量的作用。 ，所以实验3中的5个请求可以说是同时开始被处理的，花费时间自然变短了。 对于每一个请求： 1.从根节点开始查找红黑树，找到key对应的节点； 2.找到后修改该点在LRU队列中的位置，表示该点最近被访问过； 3.执行漏桶算法； 3.每个key相关的burst队列在哪里？
83210发布于 2019-09-02 - 来自专栏圆圆的算法笔记
NLP技术在搜索推荐场景中的应用
在推荐场景中，文本信息也可以作为一种泛化性较强的信息补充，弥补协同过滤信号的稀疏性问题，提升预测效果。 今天这篇文章梳理了NLP技术在搜索推荐场景中3个方面的应用，分别是NLP提升CTR预估效果、NLP解决搜索场景相关性问题、NLP信息优化基于推荐系统效果。 3 NLP优化推荐系统效果 在推荐系统中，一般根据user对item的打分结果学习user和item的表示向量，然后利用向量检索进行推荐。然而，协同过滤信号存在稀疏性，容易影响模型效果。 4 总结 本文主要介绍了NLP技术在搜索推荐场景中的应用。 在搜索推荐中，文本信息是很常见的一种信息来源，因此如何利用文本信息提升CTR预估、推荐等模型效果，以及如何利用NLP技术解决相关性问题，都是搜推广场景中很有价值的研究点。 END
2.5K20编辑于 2022-12-19 - 来自专栏机器学习与推荐算法
多目标推荐场景下的深度学习实践
在首页这个复杂的业务推荐场景下，我们面临着多业务融合挑战。 3. 模型架构 ? 一方面比较适合58的相对低频的业务场景，能从多种维度上去补齐信息。另一方面能从不同的角度来刻画用户的兴趣。 3. 多通道深度兴趣模型效果 ? 像首页，是一个典型的多业务融合推荐场景，但也有其他单业务推荐。比如以租房为例，租房详情页的相关推荐业务也是一个性化推荐。目前各个场景分别训练排序模型，模型都基于场景特点，有独有的特征结构。 3. 总结 ? 在效果上来说，整体的大盘效果大概提升了50%。主要在四个层次上做了优化： ① 召回策略： 引入了特色的召回通道，比如说再营销召回，冷启动召回优化，场景化召回。
1.1K20发布于 2021-04-22 - 来自专栏阿沐教你学知识
面试系列-3 限流场景实践
今天呢，我们就不聊redis面试系列，我们一起来聊一聊限流操作以及使用场景。很奇怪哈，为啥突然转变画风了，之前一篇文章中提到 redis的限流操作，并没有实际给小伙伴们演示以及场景的使用演练。 当然想写这篇文章并不是空穴来风，实际的面试场景中是会被面试官问及到。 3 这个面试官肯定在搞我 目前限流常用的方式：计数器、滑动窗口、漏桶算法、令牌桶算法四种方案，下面我们逐一讲解下(ps：在之前公司已经实践过)。 fix_time + 1); // 批量执行 此操作是原子性的 $result = $redis->exec(); $current_count = isset($result[3] $result[3]:0; return $current_count < $this->request_limit; } 面试官：“必须给你一个赞，讲的确实明了，虽然还有一些瑕疵，但是细想更重要
91710发布于 2021-05-28 - 来自专栏橙光笔记
Three.js教程（3）：场景
: custom document.body.appendChild( stats.dom ); gui.add(obj, 'x', -3, 3); gui.add(obj, 'y', - 3, 3); gui.add(obj, 'z', -3, 3); gui.add(obj, 'rotateX', 0, 360); gui.add(obj, 'rotateY', 0, 360 场景的属性和方法 创建场景很简单： var scene = new THREE.Scene(); 对于他的属性和方法也不是很多： 类型 名称 描述 默认值 属性 fog 场景中雾的效果 null 属性 () 把场景转换为JSON对象，可以供Three.js导入场景使用 - 方法 dispose() 清楚缓存数据 - THREE.Scene的属性并不多，你可能会问，之前把Mesh添加到Scene中使用到了一个 确实场景是有这个方法的，更准确的说这个方法是来自它的父类THREE.Object3D的，它是好多Three.js对象的直接或间接父类，所以了解它的属性和方法非常有必要，由于篇幅有限，这里就不再叙述了，你可以在这里看一看
4.5K22发布于 2020-10-17 游戏会话存储场景，推荐用什么Redis产品？
本文从高并发、低延迟、数据持久化等需求出发，对比主流Redis产品，推荐腾讯云数据库Redis作为游戏会话存储的最优解，并结合其功能特性与活动政策提供选型建议。 3. 开发者友好设计 无缝兼容：100%支持Redis 7.0协议，现有代码零改造迁移。 智能运维：内置大Key分析、慢日志监控等工具，结合腾讯云可观测平台实现全链路诊断。 4. 结语 在游戏会话存储场景中，腾讯云Redis凭借超低延迟、弹性扩展能力和企业级安全防护，成为开发者应对高并发挑战的最优选择。
35910编辑于 2025-12-09- 来自专栏逍遥剑客的游戏开发
Nebula3的场景管理
N3的场景管理最为核心的一个类是GrphicsServer, 它包含一些"stage"和"View". Stage把图形实体(模型, 摄像机, 灯光)进行分类渲染. N3会提供了一些不同用途的Stage子类, 但你也可以根据程序需要自己来实现可见性查询机制. N3 画个东西真简单, 想画个模型, 创建出来设置一下位置扔给Stage就好了 this->model = ModelEntity::Create(); this->model->SetTransform 再往场景里扔个灯就好了: // attach a light entity matrix44 lightTransform = matrix44::multiply(matrix44::scaling
50560发布于 2018-05-23 - 来自专栏全栈程序员必看
unity3d场景制作
这是最后的成果 以上图片资源均为资源商店免费获取 制作地形的方法 1创建相邻地形(主要用于地形的扩大) 2绘制地形(主要用于地貌的设置) 3绘制树(用于树木的绘制) 4绘制细节 (用于小草或小花的设置) 5地形设置(用于整体设置) 绘制的主要方面为2、3、4点 第2点： 不同地形是有不同纹理形成，在编辑地形层中选择自己喜欢的地形。 注意：法线贴图是地形纹理的进一步深化，可以加强地形的真实感 第3点 绘制树与绘制地形基本相同 第4点 绘制细节与前两者不同的是，除了细节纹理外，还有细节网格 对与地形的设计非常需要学习
51720编辑于 2022-08-12 毫秒标准数字时钟应用场景及选型推荐
（二）工业高精度制造领域在高精度生产场景中，时间同步直接影响产品质量与生产效率。 此类场景中，毫秒标准数字时钟是保障生产流程同步的“时间基准”。（三）交通与调度领域交通运营的安全性高度依赖时间协同，毫秒差可能引发安全风险。 例如，科研场景需接入卫星同步信号，确保多实验室跨区域时间一致；工业场景可通过NTP协议与工厂中控系统同步。 （三）稳定性与环境适应性设备需适应应用场景的环境条件，减少故障风险。 SYN6107型标准数字时钟凭借全面的性能适配与高可靠性，能满足多场景的毫秒级时间管理需求，为用户提供精准、稳定的时间解决方案。
46110编辑于 2025-10-16- 来自专栏秋枫学习笔记
KDD23 蚂蚁 | SAMD：异构多场景推荐方法
文末有省流版哦~ 2.方法 如图3所示，SAMD包含以下几个组件：场景相似性表征、场景感知元网络和异构知识提取。 SAMD首先基于各个场景的历史数据训练通用模型。 如图3所示，显式表征反映场景的固有属性，可以将其定义为场景的静态属性。用户连接的场景之间存在潜在的关系。场景-用户-场景的这种互补的潜在关系可以看作是一种隐含的相似性。 _i(x),\mathcal{F}_g(x))+\sum_{i=1}^N\sum_{x,y\in\mathcal{D}_i}\mathcal{L}_{ce}(\mathcal{F}_i(x),y) 3. 结果 image.png 4.总结 本文是针对多场景推荐提出的方法，主要的思路是在场景知识迁移的时候考虑不同场景之间的关系。 隐式表征：基于场景中的用户活跃度和不同场景的用户的交集计算场景之间的相似度，找到和当前场景最相似的N个场景，以这N个场景的显式表征进行池化得到当前场景的隐式表征 显式和隐式表征拼接后得到场景表征 场景表征
1K41编辑于 2023-08-18 - 来自专栏Spark学习技巧
Emdedding向量技术在蘑菇街推荐场景的应用
在电商平台中，推荐的场景覆盖到用户浏览行为和交易的各个环节，如搜相似、商品详情页、购物车、订单和支付等。 传统的itemCF、关联规则、simirank、swing等推荐相似召回技术也广泛应用于推荐各个场景中。 线上a/b测试效果 商品详情页推荐场景召回阶段目前主要有两个召回策略，一个是传统相似算法融合模型，另一个是使用商品向量进行扩召回。 商品详情页同店商品推荐场景，由于同店商品候选集较少，线上实时计算目前rt可接受，故能应用于商品详情页。工程系统改造后，可应用于其他推荐场景。 在embedding技术实践于蘑菇街推荐场景过程中，其离线评估指标的建立，非常重要，能一定程度上减少线上ab小流量实验测试的成本。细致的数据分析也能为后期迭代优化提供思路。
2.1K30发布于 2018-06-22 - 来自专栏前端笔记ing
小程序系列- 3. 场景应用
wx.request的header参数为content-type头部为application/json，小程序发起的请求的包体内容就是data参数对应的JSON字符串 // 请求的包体为 {"a":{"b":[1,2,3] 'POST', header: { 'content-type': 'application/json'}, data: { a: { b: [1, 2, 3] // 小程序的默认超时时间是60s，一般在3秒没收到回包，就给予不可用提示。
1.2K00发布于 2021-10-10 - 来自专栏机器学习与推荐算法
WSDM2023 | 面向推荐场景的无偏知识蒸馏
TLDR：常规推荐系统算法中的知识蒸馏往往会引入严重的偏差问题，在从教师模型蒸馏给学生模型过程中，流行度偏差会被继承甚至放大。 2 Method 作者所提模型如图3（b）所示，其中（a）为传统知识蒸馏。与传统知识蒸馏的不同之处在于（1）Group partition和（2）Group-wise Sampling。 （2）Group-wise Sampling 图片 （3）Group-wise Learning 按照（2）得到的训练样例训练学生模型 最终，模型损失为 图片 （原论文给出了因果解释，更多细节参考原文 3 Experiments Datasets 训练集:测试集=90%:10%，再从训练集中划10%作为验证集。 随着K逐渐增大，不流行物品的性能先增加，原因：一个较大的K暗示了更加精细的流行度划分，每个组内物品的流行度更加相似，从而更能保证推荐的无偏性。
1.8K20编辑于 2023-01-10 - 来自专栏Coggle数据科学
深入理解推荐系统：如何多种业务场景合并建模
背景介绍 以往CTR（Click-Through Rate、点击率）预估模型更加关注于单个业务场景域（domain）的预测。 在淘宝的App中，有多种domains需要用到CTR预估模型，比如首页推荐、猜你喜欢等等。 如果每个场景都单独建模，模型的数目会很多，可能有几百个，维护成本变大，而且有的domains的数据比较少，模型的学习效果也不够好。 直到现在，STAR的部署带来了6%的CTR和8%的RPM提升，它可以泛化到其它场景上。 normalization(PN)：它会为不同domains间的样本进行单独normalization (2) star topology FC network (star topology FCN) (3)
1.9K10编辑于 2022-08-31 - 来自专栏鸿蒙开发笔记
HarmonyOS 开发实践 —— 应用推荐页滑动场景性能优化案例
场景描述通过性能测试工具测试发现，某应用推荐页滑动存在丢帧卡顿问题，最大连续丢帧数3-6帧。 本场景通过采用静态检查工具进行问题发现、定位及修改。 目标规则在应用推荐页列表滑动是典型的长列表滑动场景，为了提升列表滑动场景下的流畅体验，根据经验通过对接懒加载+组件复用可大幅提升帧率，我们选择的目标Code Linter检测规则是@performance 列过滤懒加载规则hp-arkui-set-cache-count-for-lazyforeach-grid，找到未正确使用懒加载的源文件，通过“Source File”列可以看到具体的页面文件，确定与推荐页相关源文件 使用性能分析工具进一步分析性能问题根因为了确认设置合理的cacheCount能解决推荐页滑动卡顿的问题，通过profiler抓取trace分析，可以看出滑动过程丢帧前，帧间有大量空闲时间未利用，那么刚到
37510编辑于 2024-12-15
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