- 综合排序
- 最热优先
- 最新优先
- 来自专栏mathor
搜索（8）
我们按照从上到下，从左到右的顺序将3x3的矩阵拉伸为1x9，则每一个状态都可以通过一个包含数字0~8的字符串表示。 因此搜索过程中，我们需要记录下每一个状态是否被搜索到过，避免重复搜索 我们先来分析一下状态空间，也就是一共有多少种不同的状态。显然每一个状态都对应了0~8的一个排列，所以一共有9! 2 3 4 5 6 7 8 距离：0 + 1 + 3 + 3 + 1 + 0 + 0 + 2 = 10 得到该状态的h值为10 在A星搜索中，每一次我们从候选队列中选取状态也不再按照先进先出的顺序 若openlist为空，结束搜索。 这里9个格子的位置依次是：0 1 2 3 4 5 6 7 8 f用来保存每个状态的f值。g_step保存的是状态的g值，也就是从初始状态到这个状态的步数。
1K40发布于 2018-07-05 - 来自专栏Android开发指南
8.搜索
搜索 1.在res/xml/下创建searchable.xml文件 label hint * 注意：值不能直接写字符串，必须指向一个资源ID，例如@string/search_sms 2.创建SearchActivity intent-filter> <action name /> </intent-filter> <meta-data name resource /> </activity> 3.为了能让整个应用都可以调出搜索框 android.app.default_searchable" android:value=".SearchableActivity" /> 4.通过onSearchRequested()方法调出搜索框 5.在SearchableActivity中获取Intent,获取SearchManager.QUERY参数的值 进行搜索，搜索完之后获得Cursor,绑定数据 6.如果想要类似AutoCompleteTextView savedInstanceState) { super.onCreate(savedInstanceState); listView = getListView(); // 通过intent 获得，在搜索框中输入的内容
97450发布于 2018-05-14 新场景 AI搜索 实战：8 个 AI 搜索新场景怎么布局？
这个数据直接说明一件事：AI搜索引擎不是一个大池子，是多个引用偏好完全不同的信息通道。本文基于对8个AI搜索场景的引用源实测，拆解不同平台的内容抓取逻辑，以及技术内容如何通过平台适配提升被引概率。 背景：AI搜索的引用链路与传统搜索的本质差异传统搜索引擎返回的是链接列表，优化目标是在列表中排到更靠前的位置。AI搜索返回的是合成答案，优化目标变成了在答案中被引用、被当作可信信息源。 8个场景的引用源分布实测AI搜索目前可以拆分为8个典型场景：通用问答（豆包、DeepSeek的日常提问）、专业垂询（秘塔这类学术向搜索）、本地生活、购物决策、编程开发、健康咨询、投资理财、学术研究。 实测中，一篇关于MySQL索引优化的文章，版本A按CSDN公式写成8500字，包含12个执行计划对比表格和8段EXPLAIN输出代码块，发布后3周内被豆包和DeepSeek共引用7次；版本B将同一内容压缩成 实测总结AI搜索的8个场景各有各的引用偏好，但底层逻辑一致：先搞清楚自己行业在各个AI引擎上的引用源分布，再按平台内容公式改写不同版本分发，最后用固定提问词每月追踪出现率变化。
35610编辑于 2026-08-13- 来自专栏学弱猹的精品小屋
Leetcode | 第8节：记忆化搜索，树（上）
例如说matrix = [[9,9,4],[6,6,8],[2,1,1]]，那么输出就是4。这对应着下面这一张图 ? 如果输入是stones = [0,1,3,5,6,8,12,17]，那么输出就是true。 如果输入为root = [3,5,1,6,2,0,8,null,null,7,4], p = 5, q = 1，那么输出就是3，因为3是5和1的公共祖先。 比方说如果输入是root = [10,5,-3,3,2,null,11,3,-2,null,1], targetSum = 8，那么输出就是3，对应的3条路径如下。 ? Problem 8: Leetcode 230 给定一个二叉搜索树的根节点 root ，和一个整数 k ，请你设计一个算法查找其中第 k 个最小元素（从 1 开始计数）。
72530发布于 2021-08-10 - 来自专栏用户6109341的专栏
影响搜索引擎排名8大因素
影响搜索引擎排名8大因素： 1、服务器：即网站存储空间（是否被惩罚或稳定及速度） 2、网站导航结构 3、域名和文件名 4、网页标签的设置（Title、keywords、discription） 5、优秀网页的内容 （一般都是伪原创） 6、关键词在网页中的密度（一般为2%~8%） 7、反链（友情链接及在论坛、贴吧、博客、知道发布的有关网站的连接都算） 8、robots.txt文件（这个是禁止搜索引擎收录的）
1K10发布于 2021-07-19 - 来自专栏EdisonTalk
Elastic学习之旅 (8) 深入词项和全文搜索
基于Term的查询 Term（词项）是ES中表达语义的最小单位，搜索和利用统计语言模型进行自然语言处理都需要处理Term。 别急，这恰恰是因为Term查询不对输入做分词，会将输入作为一个整体，进而导致我们搜索不到。 我们进一步将上面的查询改为以下方式就可以查询到记录：将iPhone改为全小写的iphone即可。 篇Query DSL中学习的就是全文查询）： Match Query / Match Phrase Query / Query String Query 基于全文的查询具有以下的特点： 特点1：索引和搜索时都会进行分词
58410编辑于 2024-04-10 - 来自专栏向量引擎 - benchmark
Elasticsearch 的过滤向量搜索速度比 OpenSearch 快 8 倍
为什么搜索速度对人工智能代理和上下文工程至关重要我们在包含 2000 万篇文档的语料库上进行的基准测试表明，Elasticsearch 在过滤向量搜索方面比 OpenSearch 的吞吐量高出 8 倍， 随着工作流程的迭代，团队还需要强大的相关性控制（例如混合搜索和过滤）、操作简便性和可预测的性能。 方法论我们使用 Python 发送查询并跟踪响应时间和其它统计数据，向搜索引擎发送了以下查询。 num_candidates": <NUMBER_OF_CANDIDATES>：在进行搜索时，每个分片要考虑的最近邻候选数knn。" 结论在现代人工智能架构中，尤其是在围绕上下文工程构建的架构中，向量搜索速度并非无关紧要的实现细节，而是一个关键的倍增器。
19121编辑于 2026-08-02 - 来自专栏布衣者博客
LeetCode-算法-广度和深度优先搜索-第8天
root2.left) node.right=self.mergeTrees(root1.right,root2.right) return node 思路：采用深度优先搜索方法进行 elif right2: node0.right = right2 return node 思路：采用广度优先搜索 Left,root2.Left) node.Right=mergeTrees(root1.Right,root2.Right) return &node } 思路：可看python深度优先搜索
58820发布于 2021-09-07 搜索引擎ElasticSearch 8.X：告别LIKE模糊匹配，拥抱真正的“懂你”式搜索
发展到8.X版本，它早已不是当初那个单纯的“全文检索引擎”，而是进化成了一个集分布式存储、实时分析、向量检索、AI增强搜索于一体的综合性数据平台。 这篇文章，我们就深入ElasticSearch 8.X的核心机制，看它如何用索引倒排、分词器、向量检索这三板斧，重新定义“搜索”这件事。 8.X版本还支持自定义词典，你可以把公司的产品名称、行业术语、竞品名称加入词库，让搜索引擎“认识”这些专有名词：# IKAnalyzer 自定义词典 ext.dic大语言模型ElasticSearch多模态 三、向量检索：当搜索引擎开始“理解”语义如果说倒排索引解决的是“字面匹配”，那向量检索解决的就是“语义理解”——它是ElasticSearch 8.X最重磅的进化。 ElasticSearch 8.X的核心竞争力，在于它把“搜索”从字符串匹配提升到了意图理解的层面。
22610编辑于 2026-08-31- 来自专栏python读书笔记
《python算法教程》Day8 - 构建二分搜索树二分搜索树介绍二分搜索树创建代码
今天是《python算法教程》的第8篇读书笔记，笔记的主要内容是构建二分搜索树。 二分搜索树介绍 若要对一组有序值中执行操作（如查找），二分搜索法是一个优秀的选择，因为其时间复杂度仅为对数级。 因此，这里引入二分搜索树这一既能利于二分搜索又能以对数级的时间完成搜索的数据结构。 二分搜索树创建代码 二分搜索树是一个对象，其提供插入、搜索节点和判断是否存在某个节点的方法。 #构建二分搜索树 #二分搜索树的节点的自定义类 class Node: lft=None rgt=None def __init__(self,key,val): insert(node.lft,key.val) else: insert(node.rgt,key,val) return node #从指定节点开始搜索节点 key<node.key: return search(node.lft,key) else: return search(node.rgt,key) #定义二分搜索树类
1.1K130发布于 2018-05-02 - 来自专栏前端数据可视化
『n8n』推荐一个数据搜索节点-SerpApi
点赞 + 关注 + 收藏 = 学会了 整理了一个n8n小专栏，有兴趣的工友可以关注一下 《n8n修炼手册》 SerpApi 是一站式搜索引擎数据抓取 API 服务，帮你轻松获取 Google、Bing 、百度等主流搜索引擎的结构化结果（JSON 格式），无需自己处理反爬、代理、验证码等技术难题。 借助 SerpApi 可省搜索引擎数据抓取的反爬等技术成本，n8n 社区节点能快速集成功能。落地时要考虑这类工具组合的工程效率问题。 想了解更多n8n玩法欢迎关注《n8n修炼手册》 如果你有 NAS，我非常建议你在 NAS 上部署一套 n8n，搞搞副业也好，帮你完成工作任务也好 《『NAS』不止娱乐，NAS也是生产力，在绿联部署AI工作流工具 -n8n》 点赞 + 关注 + 收藏 = 学会了
27710编辑于 2026-08-04 - 来自专栏chenjx85的技术专栏
超参数搜索——网格搜索和随机搜索
我们在搜索超参数的时候，如果超参数个数较少（三四个或者更少），那么我们可以采用网格搜素，一种穷尽式的搜索方法。 但是当超参数个数比较多的时候，我们仍然采用网格搜索，那么搜索所需时间将会指数级上升。 比如我们有四个超参数，每个范围都是[10,100]，那么我们所需的搜索次数是10*10*10*10=10^4。 如果再增加一个超参数，那么所需的搜索次数是10^5，搜索时间指数级上升。 所以出现了这样的做法，网格搜索，但是网格取稀疏一点，比如上面例子中的[10,100]，我们就去10,30,50,70,90这几个数，降低一下搜索次数。 所以又有人提出了随机搜索的方法，随机在超参数空间中搜索几十几百个点，其中就有可能会有比较小的值。 这种做法比上面稀疏化网格的做法快，而且实验证明，随机搜索法结果比稀疏化网格法稍好。 这样可以保证我们找到一个局部最小值点，结果可能会比随机搜索稍好一点。 当然，如果随机搜索直接得到更好的局部最小值，甚至全局最小值，那么……只能说你的运气爆表了。
3.5K30发布于 2018-08-16 - 来自专栏小码匠和老码农
【第61题】广度优先搜索(BFS)8连刷(一): 填涂颜色
题目原文请移步下面的链接 https://www.luogu.com.cn/problem/P1162 参考题解：https://www.luogu.com.cn/problem/solution/P1162 标签：搜索 、广度优先搜索、 BFS 题解 小码匠思路 这也是个比较标准的连通块了，既然中间的0不好找，我们就反向寻找外层的进行标记，再反向把未标记的0输出时改为2 外层的0很好找在于一个外层0构成的连通块一定有紧挨着边缘的
36910编辑于 2023-08-31 - 来自专栏该溜子的专栏
【从0做项目】Java搜索引擎（8）& 停用词表 & 正则
行代码都有详细的注解 2：通过文字+画图的方式，对项目进行整个复盘，更好的理解以及优化项目 3：总结自己的优缺点，扎实java相关技术栈，增强文档编写能力 4：目前项目已经上线，访问链接如下 Java 文档搜索 零：项目结果展示 简述：在我的搜索引擎网站，用户进行关键字搜索，就可以查询到与这个关键字相关的java在线文档，（包含标题，关键字附近的简述，url），用户点击标题，即可跳转到相关在线文档，适用于JDK17 本篇文章将会带领大家进行分析解决 二：停用词表 1：问题引入 我们看这一次搜索结果，我们在arraylist 间加入了空格字符，此时搜索出来的结果，右1w多条很明显是非常不合理的，才想，后端是不是把空格字符也当成我们搜索的关键词 这些不应该出现在搜索词句中的字符给过滤掉 （1）停用词表的引入 停用词表类似于一个筛子，究竟哪些词需要被过滤掉呢? 3k多个 三：正则继续薄纱 问题引入：我们搜索完arraylist，继续往下划拉，会发现怎么还是会返回好多与搜索关键词句无关的文档？
58810编辑于 2025-02-20 - 来自专栏腾讯云Elasticsearch Service
ES8 向量功能窥探系列（一）：混合搜索功能初探与增强
导语 Elasticsearch 8.x 引入了强大的向量搜索功能，使得在大规模数据集上进行高效的k近邻（kNN）搜索成为可能。向量搜索在许多应用场景中都非常重要，例如RAG、推荐系统、图像搜索等等。 本文旨在深入浅出地剖析Elasticsearch 8.x的kNN搜索和混合搜索功能，介绍其实现原理和关键技术点。 它是ES 8.x引入的，在混合搜索、向量搜索上专门设立、最常用的查询语法。 ，Elasticsearch 8.x的版本支持原生的混合搜索，这是众多向量数据库所不能及的。 总结 5.1 内容回顾 本文初步探索了Elasticsearch 8.x的kNN搜索功能，包括其查询流程、功能实现和RRF融合算法。
4.4K42编辑于 2025-02-20 - 来自专栏攻城狮与产品喵
【DEDE搜索】dede搜索框搜索指定栏目文章
cms常用的参数标签汇总、以及操作过程中的一些bug问题解决方法，dede网站二开，以下龙腾飞网络科技-小吴在建站实操中笔记记录，织梦dede建站教程保存使用非常方便： 【DEDE建站教程】 dede搜索框搜索指定栏目文章 当产品信息达到一定量时就会用到搜索来方便用户查询。可是dedecms模板没有这个功能。只有全站和google搜索。 而我们要的只是搜索指定的几个栏目。如我只要用户搜索我的产品。这是企业最想要的。 因为要满足某些条件，需要对dedecms网站搜索进行修改，只搜索指定栏目文章的方法： 第一步：找到 /include/arc.searchview.class.php 文件,大约在300行和470行左右有两个 cquery = "Select * From `dede_archives` arc where arc.typeid not in （1,2,3…） and {$this->AddSql}"; //搜索 act.id not in （4,5,,6…） and {$this->AddSql} $ordersql limit $limitstart,$row"; 把sql语句换成这两句，括号里面的是你不搜索栏目的
1.7K00编辑于 2025-03-13 地点搜索-地图POI搜索-关键词搜索-周边搜索-多边形搜索-地点详情查询
前言地点搜索，可根据关键词、中心点坐标、多边形区域或地点ID检索地点信息，返回详细地址、经纬度、所属区域、分类编码及营业信息等数据，满足地点查找、周边检索、区域筛选与详情查询等多种需求。 地点搜索可广泛应用在出行导航、本地生活、数据分析等场景，比如：出行与地图导航：根据关键词或坐标返回地点提示与周边地点信息，用于地址联想、目的地检索和导航规划。 ，在请求参数city不为空时生效cityString否搜索城市，可选值：citycode、adcode，不支持县级市。 / 室内相关信息 "indoor_map": "0", // 是否有室内地图标志，1为有，0为没有 "floor": "", // 楼层索引，一般会用数字表示，例如8； }}多边形搜索请求说明名称类型必须说明polygonString是多边形区域，多个坐标对集合，坐标对用 | 分割。
22110编辑于 2026-09-22- 来自专栏null的专栏
Facebook搜索的向量搜索
概述 不管是搜索系统还是推荐系统中，向量召回都是一个不可或缺的一个部分，担负着重要的作用。 传统的搜索以文本匹配为主，通过query中的词（如果是中文，需要首先对query进行分词）检索所有的候选doc，如果doc中出现了query中的词，则表示命中，最后返回所有命中的doc。 Facebook将向量召回应用在社交网络的搜索中，针对其场景的特殊性，提出将用户的上下文环境考虑进query的向量中。 特征工程 在FaceBook的向量搜索中，基于其特定的场景，使用到的特征包括query和document的文本特征、位置特征、社交Embedding特征。 文本特征。 在本地广告、小组或事件的搜索场景中，位置匹配是很重要的。query侧增加搜索人的城市，地区，国家和语言。document侧增加管理员打的小组地域标签。
3.1K50编辑于 2022-05-12 报名开启｜腾讯云 × Elastic AI搜索技术大会，8月21日深圳见
在大模型与生成式AI狂飙突进的时代，如何释放AI搜索的极致力量，将其转化为企业数字化转型的核心引擎？8月21日（周五），腾讯云联合Elastic举办的AI搜索技术大会将在深圳腾讯滨海大厦启幕。 现场，腾讯云ElasticsearchService（ES）企业版将迎来重磅发布——面向企业与开发者的一场AI搜索技术盛会。 腾讯云大数据基础产品总经理程彬、ElasticAI副总裁肖涵领衔，蔚来、腾讯ima等标杆企业和产品亲临分享真实落地经验；向量搜索、混合检索、RAG、智能体构建等硬核干货现场拆解；5场开发者脱口秀穿插全天
34610编辑于 2026-08-07- 来自专栏磐创AI技术团队的专栏
网格搜索或随机搜索
parameters to be tested params= {'model__max_features': [2,3,4,5], 'model__min_samples_split':[2,5,6,7,8,10 to be tested params= {'model__max_features': [2,3,4,5], 'model__min_samples_split':[2,5,6,7,8,9,10 计算网格搜索的RMSE。 网格搜索得到了最好的结果，因为它训练了每个模型，因此，它将找到最佳拟合。当你尝试了太多的组合时，你需要训练。在这种情况下，随机搜索是一个很好的选择。 当有太多的超参数组合可供选择时，随机化搜索可能是最佳选择。例如，当使用网格搜索时，你可以运行它并获得最佳估计器，以便为你指明正确的组合方向。
1.1K10编辑于 2024-05-17
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