chloezhao
chloezhao

推荐系统源码

1. LibFM

项目主页：http://www.libfm.org/


2. Svdfeature

项目主页：http://apex.sjtu.edu.cn/apex_wiki/svdfeature


3. Libsvm和Liblinear

libsvm项目主页：http://www.csie.ntu.edu.tw/~cjlin/libsvm/

liblinear项目主页：http://www.csie.ntu.edu.tw/~cjlin/liblinear/

初次使用必读：practical guide

libsvm的开发心得by林智仁：http://www.csie.ntu.edu.tw/~cjlin/talks/kdd.pdf


4. rt-rank

项目主页：http://research.engineering.wustl.edu/~amohan/

rt-rank中实现了推荐系统中常见的random forests和gradient boosted decision trees这两种方法，使用起来很方便。


3. Mahout

项目主页：http://mahout.apache.org/


4. MyMediaLite

项目主页：http://www.ismll.uni-hildesheim.de/mymedialite/


4. GraphLab 和 GraphChi

GraphLab项目主页：http://graphlab.org/ 

GraphChi项目主页：http://graphlab.org/graphchi/

GraphChi的下载地址：https://code.google.com/p/graphchi/downloads/detail?name=graphchi_src_v0.1.2_toolkits.tar.gz

GraphChi介绍：http://www.technologyreview.com/news/428497/your-laptop-can-now-analyze-big-data/?nlid=nldly&nld=2012-07-17

CF for GraphChi: http://bickson.blogspot.com/2012/08/collaborative-filtering-with-graphchi.html


单机模式处理大数据，搜集一些好用的开源利器 - 大魁的专栏 - 博客频道 - CSDN.NET
http://blog.csdn.net/lzt1983/article/details/7913449
http://blog.csdn.net/google19890102/article/details/52883653

你可能感兴趣的:(推荐系统,机器学习算法)

  • 数据分析领域中AI人工智能的发展前景展望 AI大模型应用工坊 AI大模型开发实战数据分析人工智能数据挖掘ai
    数据分析领域中AI人工智能的发展前景展望关键词：数据分析、人工智能、机器学习、深度学习、数据挖掘、预测分析、自动化摘要：本文深入探讨了人工智能在数据分析领域的发展现状和未来趋势。我们将从核心技术原理出发，分析AI如何改变传统数据分析范式，详细讲解机器学习算法在数据分析中的应用，并通过实际案例展示AI驱动的数据分析解决方案。文章还将探讨行业应用场景、工具生态以及未来发展面临的挑战和机遇，为数据分析师
  • 2018年中南大学中英翻译 某翁
    参考：20180827235856533.jpg【1】机器学习理论表明，机器学习算法能从有限个训练集样本上得到较好的泛化【1】Machinelearningtheoryshowsthatmachinelearningalgorithmcangeneralizewellfromfinitetrainingsetsampleslimited有限的infinite无限的【2】这似乎违背了一些基本的逻辑准
  • Python, C ++开发全国研学基地查询与管理APP Geeker-2025 pythonc++
    以下是基于Python和C++开发全国研学基地查询与管理APP的技术方案，结合高性能数据处理、混合语言开发及教育行业合规性要求：---###**一、核心功能架构**```mermaidgraphTDA[用户端APP]-->B{API网关}C[管理端平台]-->BB-->D[Python业务微服务]D-->E[C++数据处理引擎]D-->F[时空数据库集群]E-->G[智能推荐系统]F-->H[可视
  • 因果推断推荐系统工具箱 - PRS（二） processor4d
    文章名称【WSDM-2021】【UniversityofVirginia-Google】Non-ClicksMeanIrrelevant?PropensityRatioScoringAsaCorrection核心要点上一节讲解了在unbiasL2R的场景中，基于pairwise比较的损失函数的IPS的方法存在与真实评估指标偏离的问题，这一节讲解如何环节这一问题，并学习模型参数。方法细节问题引入作者
  • 深入理解 Top-K 问题：高效的 nlogk 算法及 C++ 实现
    在日常开发和算法面试中，Top-K问题是一类非常常见的场景。例如"找出数组中前K个最大的元素"、"统计热门搜索词"、"推荐系统中的热门商品"等，都可以归结为Top-K问题。本文将详细讲解如何用时间复杂度为O(nlogk)的高效算法解决这类问题，并通过C++代码实现具体方案。一、什么是Top-K问题？Top-K问题可以抽象为：从含有n个元素的集合中，找出其中最大（或最小）的k个元素。常见的应用场景包
  • 深入详解：决策树在医学影像分割特征选择中的应用与实现 猿享天开 决策树算法机器学习人工智能
    深入详解：决策树在医学影像分割特征选择中的应用与实现决策树（DecisionTree）作为一种经典的机器学习算法，以其简单、直观和可解释性强的特点，在医学影像分割的特征选择中扮演了重要角色。医学影像分割（如分割脑肿瘤、肝脏、肺结节等）需要从高维影像数据中提取关键特征，以提升分割模型的精度和效率。决策树通过构建树形结构，筛选对分割任务最重要的特征，降低数据维度，同时提供可解释的规则。本文将从原理、实
  • 机器学习概述 炀水 机器学习人工智能
    一、机器学习算法与流程（一）、机器学习的主要流程：1.明确分析目标，2.数据收集，3.数据预处理，4.建模分析，5.结果评估，6.部署使用以及学习更新。1.明确分析目标：客观反映用户需求，通过对各类人群的深入分析，为相关部门制订资费、服务、市场策略提供基础。2.数据收集：收集相关的数据，充足、全面的高质量数据是机器学习的基础。3.数据预处理：数据可能存在着噪声、不一致、异常、个人隐私保护等各类问题
  • 机器学习算法（六）---逻辑回归 向云端UP 机器学习模型机器学习算法逻辑回归
    目录一、逻辑回归1.1模型介绍1.2工作原理1.2.1对数几率模型1.2.2逻辑回归与Sigmoid函数1.3.3熵、相对熵与交叉熵1.3损失函数和优化算法1.3.1损失函数的理论基础1.3.2优化算法1.3.2.1梯度下降算法局限1.3.2.2随机梯度下降与小批量梯度下降1.4算法流程1.5逻辑回归优缺点1.6案例1.7classification_report()参数二、逻辑回归与线性回归的区
  • 玩转 Milvus（二）：在 Ubuntu 22.04（WSL2）上安装 Milvus 不学无术の码农 玩转Milvus：向量搜索与AI实践milvus向量数据库
    玩转Milvus（二）：在Ubuntu22.04（WSL2）上安装Milvus引言：让Milvus在你的笔记本上“起飞”在《玩转Milvus（一）》中，我们揭开了向量数据库的神秘面纱，认识了Milvus作为AI时代的“超级引擎”，如何驱动智能搜索、推荐系统和多模态应用。现在，是时候让Milvus在你的电脑上“落地生根”了！本篇博客将带你在Ubuntu22.04（WSL2）环境下安装Milvus，聚
  • 读心与芯：我们与机器人的无限未来05未来之路 躺柒 机器人机器人学人工智能大数据分析智能计算
    1.概念1.1.利用数据确定模式，描述数据集的某些属性，基于过去的经历判断未来可能发生什么，或基于当前发生的事情判断后果或反应1.2.机器学习(machinelearning)是人工智能的一个子集，它不需要显式编程，为系统提供自动学习和根据经验改进的能力1.2.1.机器学习算法基于样本数据（又称训练数据）构建模型，在未经显式编程的情况下对未来数据做出预测或决策1.2.2.机器学习有多种类型，包括有
  • 黑猴子的家：Spark RDD 编程进阶 之 广播变量 黑猴子的家
    广播变量用来高效分发较大的对象。向所有工作节点发送一个较大的只读值，以供一个或多个Spark操作使用。比如，如果你的应用需要向所有节点发送一个较大的只读查询表，甚至是机器学习算法中的一个很大的特征向量，广播变量用起来都很顺手。传统方式下，Spark会自动把闭包中所有引用到的变量发送到工作节点上。虽然这很方便，但也很低效。原因有二:首先，默认的任务发射机制是专门为小任务进行优化的；其次，事实上你可能
  • 双塔模型（Two-Tower Model）推荐系统实践
    双塔模型双塔模型（Two-TowerModel）是一种常用的推荐系统或搜索排序模型架构，由两个独立的神经网络（即“双塔”）组成，分别处理用户和物品的特征，最后通过相似度计算（如点积、余弦相似度）得到匹配分数。Rust因其高性能和安全性，适合实现此类模型。双塔模型的定义双塔模型（Dual-TowerModel）是一种深度学习架构，由两个独立的神经网络塔（Tower）组成，分别处理不同的输入数据，最后
  • 机器学习从入门到实践：算法、特征工程与模型评估详解
    目录摘要1.引言2.机器学习概述2.1什么是机器学习？2.2机器学习的发展历史2.3机器学习的应用3.机器学习算法分类3.1监督学习（SupervisedLearning）3.2无监督学习（UnsupervisedLearning）3.3半监督学习（Semi-SupervisedLearning）4算法详解4.1分类算法详解（1）逻辑回归（LogisticRegression）（2）决策树（Dec
  • 深入详解：决策树在医学影像骨科分析中的应用与实现
    深入详解：决策树在医学影像骨科分析中的应用与实现决策树（DecisionTree）是一种经典的机器学习算法，以其简单、直观和高可解释性的特点，在医学影像领域的骨科分析中应用广泛。骨科影像分析主要基于X光片、CT或MRI图像，用于骨折检测、骨关节炎分级、骨龄评估等任务。决策树通过构建树形结构，将复杂影像特征转化为清晰的决策规则，特别适合需要可解释性强的医疗场景。本文将从原理、实现细节到具体应用，深入
  • KNN 算法进阶：从基础到优化的深度解析 二向箔reverse 人工智能机器学习
    在机器学习的广袤领域中，K-近邻算法（K-NearestNeighbors,KNN）以其简洁直观的理念，宛如一颗璀璨的明星，照亮了无数初学者踏入机器学习大门的道路。自1951年由EvelynFix和JosephHodges创立，并经ThomasCover进一步完善以来，KNN算法凭借其独特的魅力，在数据挖掘、推荐系统、物联网等众多领域发挥着中流砥柱的作用，成为了监督学习算法家族中不可或缺的一员。一
  • 动态知识图谱在GEO优化中的核心价值与实施路径 GEO优化助手 GEO优化AI搜索优化生成式引擎优化知识图谱人工智能ai搜索引擎
    动态知识图谱在GEO优化中的核心价值与实施路径一、动态知识图谱的定义与技术背景1.定义与特性动态知识图谱（DynamicKnowledgeGraph,DKG）是一种基于图的语义网络，通过实体-关系-属性的三元组结构描述现实世界中的知识，并具备以下核心特性：实时性：通过API接口、爬虫技术或用户行为日志实时捕获最新数据（如产品参数更新、用户评价、市场趋势）。自适应性：利用机器学习算法（如图神经网络、
  • 基于Android studio的城市景区旅游导航与推荐系统 QQ242219979 androidstudio旅游android
    随着时代的发展和进步，越来越多人选择在空闲的时间出去旅游，人们要前往陌生的城市旅游，就不可避免地会出现迷路，不知道景点等情况，基于此，旅游app变成了游客的热门选择，兼顾导航与热门景点推荐，方便游客查询路线的同时也能为游客推荐一些热门的旅游景点，让游客更加方便快捷的找到想去的地方，有一个更加舒适的旅游体验。苏州作为热门旅游城市，其中姑苏区经典密集，但是路线复杂，人流密集，游客来到这里，不知道该去哪
  • 推荐系统如何开发 一行代码通万物 python人工智能推荐系统
    推荐系统实现了基于协同过滤的推荐功能支持两种推荐模式：基于用户的协同过滤（寻找相似用户喜欢的物品）基于物品的协同过滤（寻找相似物品）主要功能：数据加载（支持自定义数据或内置的MovieLens数据集）模型训练模型评估（计算RMSE和MAE指标）为指定用户生成推荐列表使用前需要安装依赖库：pipinstallsurprisepandasnumpy可以通过修改sim_options参数来调整相似度计算
  • （附源码）计算机毕业设计SSM健康饮食推荐系统 学姐计算机毕设程序 mybatisjavamysql
    （附源码）计算机毕业设计SSM健康饮食推荐系统项目运行环境配置：Jdk1.8+Tomcat7.0+Mysql+HBuilderX（Webstorm也行）+Eclispe（IntelliJIDEA,Eclispe,MyEclispe,Sts都支持）。项目技术：SSM+mybatis+Maven+Vue等等组成，B/S模式+Maven管理等等。环境需要1.运行环境：最好是javajdk1.8，我们在这
  • 新闻聚合推荐App开发实战 兔乱扔
    本文还有配套的精品资源，点击获取简介：本项目综合了大数据分析、用户行为追踪和个性化算法，旨在为用户提供个性化的新闻阅读体验。通过JavaScript混合移动开发框架ReactNative或Ionic，可以构建跨平台的新闻聚合推荐App。新闻聚合涉及爬虫技术整合多源新闻内容，并进行数据清洗与格式化。新闻推荐基于机器学习算法分析用户数据，实时更新内容以适应用户变化。本项目还考虑了用户体验和隐私保护，涉
  • 机器学习算法解析:XGBoost与LightGBM AI天才研究院 AI人工智能与大数据AI大模型应用入门实战与进阶AI大模型企业级应用开发实战计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    机器学习算法解析:XGBoost与LightGBM作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词：XGBoost,LightGBM,高效特征选择,并行化训练,自动调参,弱分类器集成1.背景介绍1.1问题的由来随着数据科学和人工智能技术的发展，越来越多的问题需要利用机器学习算法进行解决。传统的一维决策树虽然直观且易于理解，但在面对高维度数据集时
  • 如何面试AI产品经理职位？
    从美团AI产品经理岗位的面试题来看，该岗位要求技术深度、产品思维和伦理意识的高度融合。以下是系统分析及准备建议：一、AI产品经理核心职责技术桥梁：将业务需求转化为技术方案（如LLM优化、推荐系统设计）全链路管理：主导AI产品从需求分析、模型选型、效果验证到上线的全流程风险控制：识别并解决模型偏见、幻觉、数据安全等伦理风险性能优化：平衡算法效果与工程约束（如推理速度、资源消耗）价值量化：设计评估体系
  • Python全站爬取与知识图谱构建实战：从数据采集到语义建模的全流程指南 Python爬虫项目 python知识图谱easyui信息可视化开发语言爬虫人工智能
    引言随着信息爆炸时代的到来，如何系统化地获取并结构化网站上的海量信息，成为数据科学和人工智能领域的重要课题。知识图谱作为将结构化数据和语义联系可视化的强大工具，正广泛应用于搜索引擎、推荐系统、智能问答等领域。本文将系统讲解如何用Python实现对目标网站的全站爬取，并结合自然语言处理技术，自动抽取实体与关系，最终构建成知识图谱。全流程涵盖爬取策略、信息抽取、知识融合及可视化，配合丰富的代码示例，助
  • 使用 QLExpress 构建灵活可扩展的业务规则引擎
    目录一、什么是QLExpress？二、推荐系统中的规则脚本应用1场景描述2推荐规则脚本（QLExpress）3系统实现4执行结果5推荐系统应用建议三、风控系统中的规则判定1场景描述2风控规则脚本（QLExpress）3系统实现4执行结果5风控系统应用建议四、设计建议在大型系统中，规则引擎的存在使业务逻辑从代码中解耦出来，使得系统具备更高的灵活性与可维护性。阿里巴巴开源的QLExpress正是一款轻
  • FY4A AGRI L1真彩色图合成 yaqiangwang MeteoInfo算法开源软件信息可视化
    FY4AAGRIL1数据的前三个通道波长分别为470nm、650nm和830nm，分别可以大致对应可见光的蓝、绿、红通道，但波长并不在三色通道的最佳范围，直接合成为真彩色图色彩偏差较大。有一些文章探讨了如何改进真彩色图的合成，比如调整合成后图像红色通道部分（陈博洋等，2018），或者利用机器学习算法生成绿光波段数据（Xieetal.,2021）。这里给出一个利用MeteoInfoLab生成真彩色合
  • 基于定制开发开源AI智能名片S2B2C商城小程序源码的搜索框个性化推荐机制研究
    摘要：本文聚焦于定制开发开源AI智能名片S2B2C商城小程序源码场景下的搜索框个性化推荐机制。通过分析搜索框作为信息流槽位的产品形态特性，结合开源AI大模型与S2B2C模式的技术融合优势，提出基于用户强兴趣/即时兴趣的动态推荐策略。研究揭示了定制化开发在破解传统搜索框静态局限中的关键作用，并通过实证案例验证了该机制对提升用户转化率与平台GMV的显著效果，为新零售场景下的智能推荐系统设计提供了理论依
  • 机器学习数据预处理阶段为什么需要——归一化处理
    参考：https://www.cnblogs.com/bjwu/p/8977141.html通常，在DataScience中，预处理数据有一个很关键的步骤就是数据的标准化。这里主要引用sklearn文档中的一些东西来说明，主要把各个标准化方法的应用场景以及优缺点总结概括，以来充当笔记。提升模型精度在机器学习算法的目标函数(例如SVM的RBF内核或线性模型的l1和l2正则化)，许多学习算法中目标函数
  • Eureka在大数据推荐系统中的服务治理实践 大数据洞察 eureka大数据云原生ai
    Eureka在大数据推荐系统中的服务治理实践：从理论到落地的全面解析元数据框架标题：Eureka在大数据推荐系统中的服务治理实践：从理论到落地的全面解析关键词：Eureka；服务治理；大数据推荐系统；分布式架构；服务发现；高可用性；动态扩展摘要：本文结合Eureka的核心特性与大数据推荐系统的需求，从第一性原理推导、架构设计、实现机制到实际应用，全面解析Eureka在推荐系统中的服务治理实践。通过
  • 机器学习算法之回归算法 福葫芦 机器学习回归算法
    一、回归算法思维导图二、算法概念、原理、应用场景和实例代码1、线性回归1.1、概念‌‌线性回归算法是一种统计分析方法，用于确定两种或两种以上变量之间的定量关系。‌线性回归算法通过建立线性方程来预测因变量（y）和一个或多个自变量（x）之间的关系。其基本形式为y=wx+e，其中w是权重，x是自变量，e是误差项。1.2、算法原理线性回归算法的核心在于找到最佳的拟合直线，使得预测值与实际值之间的误差最小。
  • 7篇1章7节：机器学习算法解读，与数值预测回归模型构建 MD分析 用R探索医药数据科学机器学习算法回归r语言数据挖掘
    机器学习是当今数据分析和人工智能的核心工具之一，其算法广泛应用于分类、回归、排序和推荐等领域。本篇将详细讲解机器学习的四大经典算法类型，并以回归问题为例深入探讨数值预测的关键步骤，包括数据准备、线性回归模型构建、模型预测及误差评估，帮助读者更系统地理解和掌握机器学习的基础知识及实际应用。一、机器学习的算法在数据科学和人工智能的浪潮中，机器学习算法成为了解决各种数据问题的关键工具。机器学习主要处理四
  • 强大的销售团队背后 竟然是大数据分析的身影 蓝儿唯美 数据分析
    Mark Roberge是HubSpot的首席财务官，在招聘销售职位时使用了大量数据分析。但是科技并没有挤走直觉。 大家都知道数理学家实际上已经渗透到了各行各业。这些热衷数据的人们通过处理数据理解商业流程的各个方面，以重组弱点，增强优势。 Mark Roberge是美国HubSpot公司的首席财务官，HubSpot公司在构架集客营销现象方面出过一份力——因此他也是一位数理学家。他使用数据分析
  • Haproxy+Keepalived高可用双机单活 bylijinnan 负载均衡keepalivedhaproxy高可用
    我们的应用MyApp不支持集群，但要求双机单活（两台机器：master和slave）： 1.正常情况下，只有master启动MyApp并提供服务 2.当master发生故障时，slave自动启动本机的MyApp，同时虚拟IP漂移至slave，保持对外提供服务的IP和端口不变 F5据说也能满足上面的需求，但F5的通常用法都是双机双活，单活的话还没研究过 服务器资源 10.7
  • eclipse编辑器中文乱码问题解决 0624chenhong eclipse乱码
    使用Eclipse编辑文件经常出现中文乱码或者文件中有中文不能保存的问题，Eclipse提供了灵活的设置文件编码格式的选项，我们可以通过设置编码 格式解决乱码问题。在Eclipse可以从几个层面设置编码格式：Workspace、Project、Content Type、File 本文以Eclipse 3.3（英文）为例加以说明： 1. 设置Workspace的编码格式： Windows-&g
  • 基础篇--resources资源 不懂事的小屁孩 android
    最近一直在做java开发，偶尔敲点android代码，突然发现有些基础给忘记了，今天用半天时间温顾一下resources的资源。 String.xml    字符串资源   涉及国际化问题  http://www.2cto.com/kf/201302/190394.html   string-array
  • 接上篇补上window平台自动上传证书文件的批处理问卷 酷的飞上天空 window
    @echo off : host=服务器证书域名或ip，需要和部署时服务器的域名或ip一致 ou=公司名称, o=公司名称 set host=localhost set ou=localhost set o=localhost set password=123456 set validity=3650 set salias=s
  • 企业物联网大潮涌动：如何做好准备？ 蓝儿唯美 企业
    物联网的可能性也许是无限的。要找出架构师可以做好准备的领域然后利用日益连接的世界。 尽管物联网（IoT）还很新，企业架构师现在也应该为一个连接更加紧密的未来做好计划，而不是跟上闸门被打开后的集成挑战。“问题不在于物联网正在进入哪些领域，而是哪些地方物联网没有在企业推进，” Gartner研究总监Mike Walker说。 Gartner预测到2020年物联网设备安装量将达260亿，这些设备在全
  • spring学习——数据库（mybatis持久化框架配置） a-john mybatis
    Spring提供了一组数据访问框架，集成了多种数据访问技术。无论是JDBC，iBATIS(mybatis)还是Hibernate，Spring都能够帮助消除持久化代码中单调枯燥的数据访问逻辑。可以依赖Spring来处理底层的数据访问。 mybatis是一种Spring持久化框架，要使用mybatis，就要做好相应的配置： 1，配置数据源。有很多数据源可以选择，如：DBCP，JDBC，aliba
  • Java静态代理、动态代理实例 aijuans Java静态代理
    采用Java代理模式，代理类通过调用委托类对象的方法，来提供特定的服务。委托类需要实现一个业务接口，代理类返回委托类的实例接口对象。 按照代理类的创建时期，可以分为：静态代理和动态代理。 所谓静态代理：　指程序员创建好代理类，编译时直接生成代理类的字节码文件。 所谓动态代理：　在程序运行时，通过反射机制动态生成代理类。   一、静态代理类实例： 1、Serivce.ja
  • Struts1与Struts2的12点区别 asia007 Struts1与Struts2
    1) 在Action实现类方面的对比：Struts 1要求Action类继承一个抽象基类；Struts 1的一个具体问题是使用抽象类编程而不是接口。Struts 2 Action类可以实现一个Action接口，也可以实现其他接口，使可选和定制的服务成为可能。Struts 2提供一个ActionSupport基类去实现常用的接口。即使Action接口不是必须实现的，只有一个包含execute方法的P
  • 初学者要多看看帮助文档 不要用js来写Jquery的代码 百合不是茶 jqueryjs
    解析json数据的时候需要将解析的数据写到文本框中,  出现了用js来写Jquery代码的问题;   1, JQuery的赋值  有问题    代码如下: data.username 表示的是:  网易            $("#use
  • 经理怎么和员工搞好关系和信任 bijian1013 团队项目管理管理
            产品经理应该有坚实的专业基础，这里的基础包括产品方向和产品策略的把握，包括设计，也包括对技术的理解和见识，对运营和市场的敏感，以及良好的沟通和协作能力。换言之，既然是产品经理，整个产品的方方面面都应该能摸得出门道。这也不懂那也不懂，如何让人信服？如何让自己懂？就是不断学习，不仅仅从书本中，更从平时和各种角色的沟通
  • 如何为rich:tree不同类型节点设置右键菜单 sunjing contextMenutreeRichfaces
    组合使用target和targetSelector就可以啦，如下： <rich:tree id="ruleTree" value="#{treeAction.ruleTree}" var="node" nodeType="#{node.type}" selectionChangeListener=&qu
  • 【Redis二】Redis2.8.17搭建主从复制环境 bit1129 redis
    开始使用Redis2.8.17 Redis第一篇在Redis2.4.5上搭建主从复制环境，对它的主从复制的工作机制，真正的惊呆了。不知道Redis2.8.17的主从复制机制是怎样的，Redis到了2.4.5这个版本，主从复制还做成那样，Impossible is nothing! 本篇把主从复制环境再搭一遍看看效果，这次在Unbuntu上用官方支持的版本。   Ubuntu上安装Red
  • JSONObject转换JSON--将Date转换为指定格式 白糖_ JSONObject
    项目中，经常会用JSONObject插件将JavaBean或List<JavaBean>转换为JSON格式的字符串，而JavaBean的属性有时候会有java.util.Date这个类型的时间对象，这时JSONObject默认会将Date属性转换成这样的格式：   {"nanos":0,"time":-27076233600000,
  • JavaScript语言精粹读书笔记 braveCS JavaScript
    【经典用法】：   //①定义新方法 Function .prototype.method=function(name, func){ this.prototype[name]=func; return this; } //②给Object增加一个create方法，这个方法创建一个使用原对
  • 编程之美-找符合条件的整数 用字符串来表示大整数避免溢出 bylijinnan 编程之美
    import java.util.LinkedList; public class FindInteger { /** * 编程之美 找符合条件的整数 用字符串来表示大整数避免溢出 * 题目：任意给定一个正整数N，求一个最小的正整数M(M>1)，使得N*M的十进制表示形式里只含有1和0 * * 假设当前正在搜索由0，1组成的K位十进制数
  • 读书笔记 chengxuyuancsdn 读书笔记
    1、Struts访问资源 2、把静态参数传递给一个动作 3、<result>type属性 4、s:iterator、s:if c:forEach 5、StringBuilder和StringBuffer 6、spring配置拦截器 1、访问资源 (1)通过ServletActionContext对象和实现ServletContextAware,ServletReque
  • [通讯与电力]光网城市建设的一些问题 comsci 问题
          信号防护的问题,前面已经说过了,这里要说光网交换机与市电保障的关系       我们过去用的ADSL线路,因为是电话线,在小区和街道电力中断的情况下,只要在家里用笔记本电脑+蓄电池,连接ADSL,同样可以上网........     
  • oracle 空间RESUMABLE daizj oracle空间不足RESUMABLE错误挂起
    空间RESUMABLE操作  转 Oracle从9i开始引入这个功能，当出现空间不足等相关的错误时，Oracle可以不是马上返回错误信息，并回滚当前的操作，而是将操作挂起，直到挂起时间超过RESUMABLE TIMEOUT，或者空间不足的错误被解决。 这一篇简单介绍空间RESUMABLE的例子。 第一次碰到这个特性是在一次安装9i数据库的过程中，在利用D
  • 重构第一次写的线程池 dieslrae 线程池 python
    最近没有什么学习欲望,修改之前的线程池的计划一直搁置,这几天比较闲,还是做了一次重构,由之前的2个类拆分为现在的4个类. 1、首先是工作线程类:TaskThread,此类为一个工作线程,用于完成一个工作任务,提供等待(wait),继续(proceed),绑定任务(bindTask)等方法 #!/usr/bin/env python # -*- coding:utf8 -*-
  • C语言学习六指针 dcj3sjt126com c
    初识指针，简单示例程序： /* 指针就是地址，地址就是指针 地址就是内存单元的编号 指针变量是存放地址的变量 指针和指针变量是两个不同的概念 但是要注意： 通常我们叙述时会把指针变量简称为指针，实际它们含义并不一样 */ # include <stdio.h> int main(void) { int * p; // p是变量的名字， int *
  • yii2 beforeSave afterSave beforeDelete dcj3sjt126com delete
    public function afterSave($insert, $changedAttributes) { parent::afterSave($insert, $changedAttributes); if($insert) { //这里是新增数据 } else { //这里是更新数据 } }  
  • timertask shuizhaosi888 timertask
    java.util.Timer timer = new java.util.Timer(true); // true 说明这个timer以daemon方式运行（优先级低， // 程序结束timer也自动结束），注意，javax.swing // 包中也有一个Timer类，如果import中用到swing包， // 要注意名字的冲突。 TimerTask task = new
  • Spring Security（13）——session管理 234390216 sessionSpring Security攻击保护超时
    session管理 目录   1.1     检测session超时 1.2     concurrency-control 1.3     session 固定攻击保护         
  • 公司项目NODEJS实践0.3[ mongo / session ...] 逐行分析JS源代码 mongodbsessionnodejs
        http://www.upopen.cn   一、前言         书接上回，我们搭建了WEB服务端路由、模板等功能，完成了register 通过ajax与后端的通信，今天主要完成数据与mongodb的存取，实现注册 / 登录 /
  • pojo.vo.po.domain区别 LiaoJuncai javaVOPOJOjavabeandomain
    　　POJO = "Plain Old Java Object"，是MartinFowler等发明的一个术语，用来表示普通的Java对象，不是JavaBean, EntityBean 或者 SessionBean。POJO不但当任何特殊的角色，也不实现任何特殊的Java框架的接口如，EJB， JDBC等等。 　　 　　即POJO是一个简单的普通的Java对象，它包含业务逻辑
  • Windows Error Code OhMyCC windows
    0 操作成功完成. 1 功能错误. 2 系统找不到指定的文件. 3 系统找不到指定的路径. 4 系统无法打开文件. 5 拒绝访问. 6 句柄无效. 7 存储控制块被损坏. 8 存储空间不足, 无法处理此命令. 9 存储控制块地址无效. 10 环境错误. 11 试图加载格式错误的程序. 12 访问码无效. 13 数据无效. 14 存储器不足, 无法完成此操作. 15 系
  • 在storm集群环境下发布Topology roadrunners 集群stormtopologyspoutbolt
    storm的topology设计和开发就略过了。本章主要来说说如何在storm的集群环境中，通过storm的管理命令来发布和管理集群中的topology。   1、打包 打包插件是使用maven提供的maven-shade-plugin，详细见maven-shade-plugin。 <plugin> <groupId>org.apache.maven.
  • 为什么不允许代码里出现“魔数” tomcat_oracle java
    　　在一个新项目中，我最先做的事情之一，就是建立使用诸如Checkstyle和Findbugs之类工具的准则。目的是制定一些代码规范，以及避免通过静态代码分析就能够检测到的bug。 　　迟早会有人给出案例说这样太离谱了。其中的一个案例是Checkstyle的魔数检查。它会对任何没有定义常量就使用的数字字面量给出警告，除了-1、0、1和2。 　　很多开发者在这个检查方面都有问题，这可以从结果
  • zoj 3511 Cake Robbery(线段树) 阿尔萨斯 线段树
    题目链接：zoj 3511 Cake Robbery 题目大意：就是有一个N边形的蛋糕，切M刀，从中挑选一块边数最多的，保证没有两条边重叠。 解题思路：有多少个顶点即为有多少条边，所以直接按照切刀切掉点的个数排序，然后用线段树维护剩下的还有哪些点。 #include <cstdio> #include <cstring> #include <vector&
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他