- 综合排序
- 最热优先
- 最新优先
- 来自专栏素质云笔记
R+NLP︱text2vec包——BOW词袋模型做监督式情感标注案例（二,情感标注）
近年来，BoW模型被广泛应用于计算机视觉中。 基于上述两个文档中出现的单词，构建如下一个词典 (dictionary)： {"John": 1, "likes": 2,"to": 3, "watch": 4, "movies": 5, ———————————————————————————————— 二、text2vec基于BOW的情感标注 本文选用的是text2vec开发者自带的数据集，有ID、sentiment代表情感正负面 假设一幅图像表示为Y=[x1 x2 x3 x4 x5], L1-normalize的结果为： ? L2-normalize的结果为： ? ———————————————————————————————— 应用一：在text2vec中灵活的进行数据转化、并建模 从第三章节来看，数据转化一般是形成DTM之后，或者通过fit或者通过
1.9K20发布于 2019-05-26 - 来自专栏素质云笔记
重磅︱R+NLP：text2vec包——New 文本分析生态系统 No.1（一,简介）
那么前面一类有三个开源的包，后面这一类我倒是看到得不多，恰好是在我关注了许久的一个包里面有，它就是text2vec啦。该包提供了一个强大API接口，能够很好地处理文本信息。 这个生态系统也是笔者见到过的，R语言里面最好、最全面的包了，包含了很多类型的算法以及成熟的应用。而且包的介绍十分详尽，很棒！！ 系列文章： 重磅︱R+NLP：text2vec包——New 文本分析生态系统 No.1（一,简介） R+NLP︱text2vec包——BOW词袋模型做监督式情感标注案例（二,情感标注） R+NLP︱text2vec ——————————— 三、LDA主题模型 LDA主题模型是基于lda包开发的（Jonathan Chang）,在下次发布的时候该主题模型的引擎就会嵌入到lda包之中，目前text2vec LDAvis可视化(lda+LDAvis) 3、自然语言处理︱简述四大类文本分析中的“词向量”（文本词特征提取） 4、NLP︱句子级、词语级以及句子-词语之间相似性（相关名称：文档特征、词特征、词权重） 5、
1.2K10发布于 2019-05-26 - 来自专栏NetCore 从壹开始
5-5 各个服务应用启动
5、修改域名解析映射 添加解析这块，如果是泛域名或者通用域名解析就很简单的， 但是我这边毕竟是免费的，动动手，十分钟就能解决了的。 等待十分钟，就表示迁移完成了。
28820编辑于 2023-01-09 - 来自专栏剑指工控
MACS5应用
Hoyllsys在工业自动化领域应用越来越广泛和普及，尤其在化工和电厂，铁路等大面积推广，今天就对MACS5做一些案例分享。 ，配置完成后，进行“数据库跟新”，“完全编译”,对“操作员站和服务器”进行下装，在CODESYS里面“在线登录”“参数下载” 上位机中的单元设备和下位机CODESYS的组态，右键单击如图HSSCS5顺控火电模块 总结MACS5的组态修改步骤： 数据库修改： 数据库总控￫选择域￫编辑数据库￫数据操作￫选择类名￫选择项名￫确定￫保存￫更新数据库￫确定￫校验￫完全编译。
83120发布于 2021-11-09 - 来自专栏福大大架构师每日一题
weaviate v1.29.7震撼发布！全面升级HuggingFace＆Mistral向量化模块，性能与体验双重跃升！
2025年5月13日，伴随着AI应用的不断深入和知识图谱的火热发展，领先的开源向量数据库Weaviate迎来了重要版本v1.29.7的发布。 此次v1.29.7版本虽未带来全新特性，但对已有模块做了极具深度的调整和优化，特别是围绕主流向量化模块Text2Vec HuggingFace和Text2Vec Mistral： • 支持最新API，兼容性更强 Text2Vec Mistral模块同步升级 类似HuggingFace模块，Mistral文本向量化模块也同步更新以支持最新模型嵌入API。 OpenAI Text2Vec最大Token数限制调整 Weaviate团队降低了OpenAI Text2Vec模块单次请求的最大Token数限制。 调整OpenAI Text2Vec请求最大Token数限制参数（如有自定义） 4.
62910编辑于 2025-05-14 - 来自专栏文大师的新世界
5. ListView应用
ListView大概是所有移动应用都会用到的组件了，大部分都在首页，这章结合redux来看如何从API取数据再到如何应用redux更新渲染组件ListView。
79650发布于 2018-08-30 - 来自专栏素质云笔记
R+NLP︱text2vec包——四类文本挖掘相似性指标 RWMD、cosine、Jaccard 、Euclidean （三,相似距离）
开篇内容参考： 重磅︱R+NLP：text2vec包——New 文本分析生态系统 No.1（一,简介） R+NLP︱text2vec包——BOW词袋模型做监督式情感标注案例（二,情感标注） 不展开描述，因为很常见，其中文本分析还有Hamming距离 详情戳我转的博客：机器学习中应用到的各种距离介绍（附上Matlab代码） ———————————————————————————— EMD主要应用在图像处理和语音信号处理领域。 EMD 实际上是线性规划中运输问题的最优解。首先，简要描述下运输问题。我们假设这个例子是从多个工厂运输货物到多个仓库。 %>% word_tokenizer v = create_vocabulary(itoken(tokens)) %>% prune_vocabulary(term_count_min = 5, doc_proportion_max = 0.5) corpus = create_corpus(itoken(tokens), vocab_vectorizer(v, skip_grams_window = 5)
2K20编辑于 2022-05-09 - 来自专栏mythsman的个人博客
MD5算法应用
MD5（Message-Digest Algorithm 5）算法是一种非常常见的信息摘要hash算法，一般可以用来进行数字签名，或者理解成为一种压缩算法。他的本质是一种分组加密算法。 百度上对MD5算法简要的叙述为：MD5以512位分组来处理输入的信息，且每一分组又被划分为16个32位子分组，经过了一系列的处理后，算法的输出由四个32位分组组成，将这四个32位分组级联后将生成一个128 用十六进制表示的话，每四位变成一个十六进制数，这样也就是生成了总共为32位的十六进制数，即MD5码。 这里不介绍MD5的加密和解密算法的细节。从应用的角度讲，我们完全暂且不需要理解算法的过程。 作为应用而言，比如解决IDF实验室的第一题，我们只需要一个能够为我们调用的加密解密的接口来方便我们编程。 当然这个API只能解决简单的MD5，对于一些复杂的还是要通过别的办法解决。
63530编辑于 2022-11-14 - 来自专栏技术人生黄勇
教程｜使用免费GPU 资源搭建专属知识库 ChatGLM2-6B + LangChain
requirements.txt 下载模型 Embedding 模型 git clone https://huggingface.co/GanymedeNil/text2vec-large-chinese $PWD/text2vec 照例按照上面的步骤，下载好模型，传到机器学习平台的服务器上，我放在了这个目录下：/mnt/workspace/text2vec。 修改模型地址 打开 configs/model_config.py 文件，找到参数 embedding_model_dict 修改 "text2vec" 的值为：/mnt/workspace/text2vec "text2vec-base": "shibing624/text2vec-base-chinese", "text2vec": "/mnt/workspace/text2vec", .
58910编辑于 2024-07-19 - 来自专栏素质云笔记
NLP︱词向量经验总结（功能作用、高维可视化、R语言实现、大规模语料、延伸拓展）
1、训练参数 训练参数的选择是提高效率的关键之处，一些经验参数训练的经验（一部分来源小桥流水博客）： window在5~8，我用的8，感觉还不错，CBOW一般在5，SKIP在10左右比较适合； 其他的可以参考 ； 3、使用Glove训练词向量（text2vec包） 参考博客：text2vec（参考博客：重磅︱R+NLP：text2vec包——New 文本分析生态系统 No.1（一,简介）） ——————— ————————————————————— 二、词向量表示精度 不同的词向量表达方式也有着不同的优劣势， 1、NLP︱高级词向量表达（一）——GloVe（理论、相关测评结果、R&python实现、相关应用 近日发现了其他两个：一个是text2vec，一个是rword2vec。 其中text2vec是现在主要的研究方向： 重磅︱R+NLP：text2vec包简介（GloVe词向量、LDA主题模型、各类距离计算等） ——————————————————————————————
2.9K10发布于 2019-05-26 - 来自专栏机器学习AI算法工程
最准的中文文本相似度计算工具
text2vec, chinese text to vetor. 篇章粒度，可以通过gensim库的doc2vec得到，应用较少，本项目不实现。 get similarity score between text1 and text2 from text2vec import Similarity a = '如何更换花呗绑定银行卡' b = '
15.6K31发布于 2020-04-08 - 来自专栏全栈程序员必看
docker（5）docker运行web应用
接下来让我们尝试使用 docker 构建一个 web 应用程序。 我们将在docker容器中运行一个 Python Flask 应用来运行一个web应用。 查看 WEB 应用容器 使用 docker ps 来查看我们正在运行的容器： [root@jkc ~]# docker ps CONTAINER ID IMAGE 这时我们可以通过浏览器访问WEB应用 我们也可以通过 -p 参数来设置不一样的端口： [root@jkc ~]# docker run -d -p 5000:5000 training/webapp 上面我们创建的 web 应用容器 ID 为 0d3fe01b6c13 名字为 lucid_lederberg。 00:00:00 python app.py 检查 WEB 应用程序 使用 docker inspect 来查看 Docker 的底层信息。
83910编辑于 2022-09-19 - 来自专栏PHP在线
HTML5移动应用开发
1.离线缓存为HTML5开发移动应用提供了基础 HTML5 Web Storage API可以看做是加强版的cookie，不受数据大小限制，有更好的弹性以及架构，可以将数据写入到本机的ROM中，还可以在关闭浏览器后再次打开时恢复数据 2.专为移动平台定制的表单元素 浏览器中出现的html5表单元素与对应的键盘： 类型 用途 键盘 Text 正常输入内容 标准键盘 Tel 电话号码 数字键盘 Email 电子邮件地址文本框 带有@和. 提升互动能力：拖拽、撤销历史操作、文本选择等 Transition – 组件的移动效果 Transform – 组件的变形效果 Animation – 将移动和变形加入动画支持 设计师要知道，HTML5提供的交互方式是非常丰富的 4.HTML5使用上的优势 更低的开发及维护成本； 使页面变得更小，减少了用户不必要的支出；而且，性能更好使耗电量更低； 方便升级，打开即可使用最新版本，免去重新下载升级包的麻烦，使用过程中就直接更新了离线缓存 设计师要知道，用户想要什么，HTML5能提供给用户什么。 5.CSS3 视觉设计师的辅助利器 CSS3支持了字体的嵌入、版面的排版，以及最令人印象深刻的动画功能。
3.6K80发布于 2018-03-07 - 来自专栏余生大大
F5负载的应用
2.3.2 TCP F5会试图联接到一个特定应用在运行的TCP端口。简单理解就是通过telnet连接服务的特定端口，如果能够连通，则正常；如果不能连通，则服务有问题。 第二，应用场景的需求。 七层应用负载的好处，是使得整个网络更"智能化", 参考我们之前的 另外一篇专门针对HTTP应用的优化的介绍，就可以基本上了解这种方式的优势所在。 当然这只是七层应用的一个小案例，从技术原理上，这种方式可以对客户端的请求和服务器的响应进行任意意义上的修改，极大的提升了应用系统在网络层的灵活性。 现在的7层负载均衡，主要还是着重于应用广泛的HTTP协议，所以其应用范围主要是众多的网站或者内部信息平台等基于B/S开发的系统。 4层负载均衡则对应其他TCP应用，例如基于C/S开发的ERP等系统。 七层应用的优势是可以让整个应用的流量智能化，但是负载均衡设备需要提供完善的七层功能，满足客户根据不同情况的基于应用的调度。
3.8K40编辑于 2022-11-02 - 来自专栏素质云笔记
R+NLP︱text2vec包——四类文本挖掘相似性指标
不展开描述，因为很常见，其中文本分析还有Hamming距离 详情戳我转的博客：机器学习中应用到的各种距离介绍（附上Matlab代码） ———————————————————————————— EMD主要应用在图像处理和语音信号处理领域。 ? EMD 实际上是线性规划中运输问题的最优解。首先，简要描述下运输问题。我们假设这个例子是从多个工厂运输货物到多个仓库。 2、EMD算法在自然语言处理领域的应用 通过词嵌入（Word Embedding），我们可以得到词语的分布式低维实数向量表示，我们可以计算词语之间的距离，即我们可以得到dij，因此可以将EMD %>% word_tokenizer v = create_vocabulary(itoken(tokens)) %>% prune_vocabulary(term_count_min = 5, doc_proportion_max = 0.5) corpus = create_corpus(itoken(tokens), vocab_vectorizer(v, skip_grams_window = 5)
2.2K30发布于 2019-05-28 - 来自专栏大模型应用
大模型应用：语料库治理实战：基于 text2vec+BERT 的由浅入深解析.41
价值导向的偏差：如果训练数据中包含大量不文明用语，模型很可能在无意中生成类似内容，这在商业应用中可能带来品牌声誉风险。 治理要点：建立精细化的领域分类系统，为不同应用场景构建领域纯净或领域平衡的语料集。3. 语料库治理的取舍 语料库治理并非简单的“剔除所有问题”，而是一门融合的艺术。 规则细筛：业务精修阶段目标：应用业务特定规则进行精细筛选核心任务：关键词过滤：保留包含领域关键词的文本长度筛选：根据应用场景设定合理的文本长度范围文体过滤：保留目标文体（如正式文档、对话记录等）来源可信度 ：基于数据来源设置不同的质量阈值5. 语义去重：基于text2vec识别语义相似的重复文本3. 质量评分：使用BERT模型评估文本质量并打分4. 规则细筛：应用业务特定规则进行精细筛选5. 质量评估：综合验证语料整体质量指标6.
32843编辑于 2026-03-10 - 来自专栏C++核心准则原文翻译
自学鸿蒙应用开发（5）- button组件
本文介绍在鸿蒙应用中button组件的基本用法。 增加按钮组件 如下代码中红色部分所示，在布局中增加button组件。 <?xml version="1.0" encoding="utf-8"? /> </DirectionalLayout> <Component ohos:height="0vp" ohos:weight="<em>5</em>"
1K31发布于 2020-12-31 - 来自专栏HarmonyOS知识集合
【HarmonyOS 5】鸿蒙应用数据安全详解
【HarmonyOS 5】鸿蒙应用数据安全详解一、前言大家平时用手机、智能手表的时候，最担心什么？肯定是自己的隐私数据会不会泄露！ 今天就和大家唠唠HarmonyOS是怎么把应用安全这块“盾牌”打造得明明白白的，从里到外保护我们的信息。1、系统级“金钟罩”HarmonyOS就像给手机装上了“安全管家”，从系统底层就开始发力。 2、 应用市场的“火眼金睛”大家都知道应用市场里什么软件都有，难免混进一些恶意软件。 二、设备和数据的“安全通行证”1、 设备也有“安全等级”HarmonyOS给设备划分了5个安全等级（SL1-SL5）：根据设备是否具备TEE（可信执行环境）、安全存储芯片等能力，将设备分为5个安全等级： 等级安全能力典型设备SL1 低安全 智能穿戴设备SL5 高安全 手机、平板数据跨设备同步时，需满足数据安全标签 ≤ 目标设备安全等级的规则。
79810编辑于 2025-05-06 HTML5 应用程序缓存
使用 HTML5，通过创建 cache manifest 文件，可以轻松地创建 web 应用的离线版本。 注意：manifest 的技术已被 web 标准废弃，不再推荐使用此功能。 什么是应用程序缓存（Application Cache）？ HTML5 引入了应用程序缓存，这意味着 web 应用可进行缓存，并可在没有因特网连接时进行访问。 应用程序缓存为应用带来三个优势： 离线浏览 - 用户可在应用离线时使用它们 速度 - 已缓存资源加载得更快 减少服务器负载 - 浏览器将只从服务器下载更新过或更改过的资源。 HTML5 Cache Manifest 实例 下面的例子展示了带有 cache manifest 的 HTML 文档（供离线浏览）： 实例 <! 注意: 浏览器对缓存数据的容量限制可能不太一样（某些浏览器设置的限制是每个站点 5MB）。
18210编辑于 2025-12-16- 来自专栏HarmonyOS知识集合
【HarmonyOS 5】鸿蒙应用隐私保护详解
【HarmonyOS 5】鸿蒙应用隐私保护详解一、前言在今天这个手机不离手的时代，我们每天用手机支付、聊天、记录生活，不知不觉中，大量个人信息都存储在了移动设备里。 精准度在米级别大于等于9ohos.permission.LOCATION失败无法获取位置大于等于9ohos.permission.APPROXIMATELY_LOCATION成功获取到模糊位置，精确度为5公里大于等于 同时申请ohos.permission.APPROXIMATELY_LOCATION和ohos.permission.LOCATION成功获取到精准位置，精准度在米级别代码示例：首先在module.json5配置文件中声明权限 photoSelectOptions.MIMEType = photoAccessHelper.PhotoViewMIMETypes.IMAGE_TYPE;photoSelectOptions.maxSelectNumber = 5; 代码示例：以申请相机权限为例，在module.json5配置文件中声明权限：{ "module": { // ...
90110编辑于 2025-05-06
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