即使引导早已破碎，无数褪色者的经验也可生成引导

如何使用Docker Compose和Nginx容器部署复杂服务

Docker容器化部署Neo4j

回合制卡牌游戏设计剖析

历史、现实与我们的选择

爬取内容 专利基本信息、摘要、专利说明书等。 技术架构 爬虫框架：Scrapy URL队列：Redis 数据库：PostgreSQL（patent_detail表、patent_task表） 运行方式 手动或定时将patent_task表中的关键词构造成专利URL，并加入redis队列中 定时启动爬虫（支持分布式），從redis队列中获取待爬取url，自动获取指定关键词最新/相关度最高/专利评级最高的专利信息，写入数据库。 数据成果示例 北京大学的专利 其他 反爬处理 随机User-Agent（浏览器）

本项目对企查查中的Excel型企业数据进行批量解析，进行存储到关系数据库中

本项目基于Ernie3预训练模型训练了一个多标签****分类模型。期间也尝试过Roberta的各类规模模型，发现基于Roberta的模型容易出现梯度爆炸情况，训练参数稳定性相对较差

前面的文章已经介绍过基于前缀树的搜索联想服务，但现实中由于用户认知与具体操作中的不确定性，仅仅基于前缀的联想结果不一定能够满足用户的内容需求，甚至用户的搜索词不一定能够很好符合用户实际搜索意图。如何提高搜索结果的召回率，使搜索结果匹配用户真实意图需要解决更多的技术问题。

地理位置 黄山山脉在西边延伸的主体，古称“西黄山”。 特色 原始森林 华东最后一片原始森林、未开拓的黄山、绿色自然博物院。 云海 瀑布 四叠瀑布 皖南第三高峰——牯牛岗（海拔1727m） 第一黄山莲花峰、第二清凉峰。 野茶 历史 “牯牛降“名称的由来 外形似牯牛从天而降。 牯牛降为何在古代与黄山齐名？ “黄山有三十六垣，与歙之黄山相峙，其最高者古牛岗可望匡庐”——《江南通志》

位于黄山市黟县的一个乡村，保留了明清时期的木结构和砖瓦材料的建筑。 知名景点 南湖书院 承志堂 月沼  美食 菜肴 黄山臭鳜鱼 山粉圆烧肉 野笋炒雪菜

芜湖小吃店打卡 百年耿记老店 蟹黄汤包 36元1笼（8个），好吃，并且相比南京的汤包便宜不少。 小笼汤包 15元1笼（10个），性价比极高，且很好吃。 小金蒸饭 渣肉蒸饭 粉蒸肉蒸饭，肉质娇嫩，口感较好。 赤豆酒酿 甜度适中，甜而不腻，些许米酒的味道。

路线 地铁到达深外高中地铁站，出站步行约15-20min到达秀桐道登山口。

好汉坡 深圳电视塔 好汉坡后半程

随着互联网的不断发展，快节奏的生活，人们对更好的用户体验的追求， 搜索的长时间等待变得让人无法忍受。如何获得更快的搜索、更好的搜索结果、 更符合用户心理的推荐成为很多网站、手机应用的痛点。本项目意在通过建立 倒排索引加快搜索，使用字典树结构快速找到联想词，二者相结合的方式提供 良好的搜索体验。完成一个独立的站内搜索引擎，使得项目可以快速的移植到 不同的系统中，提高开发速度，降低开发成本。本项目主要完成一个轻量级站内搜索引擎。系统主要分为两大部分:第一 部分为全文索引引擎，主要负责从数据源建立倒排索引、以有效的格式保存索 引、增量更新索引、索引的压缩、搜索排序等功能; 第二部分主要为拼音搜索 引擎，主要完成关键字检索、模糊查询、拼音联想等功能;此外完成系统对外 的相关接口。主要的工作内容是:独立完成对整个站内搜索引擎需求分析、系 统设计、系统实现以及测试等工作;完成了系统的 8 大核心功能模块，2 个辅 助模块以及所有对外的接口。具体包括(1)文档数据源获取，(2)倒排索引的建立 与压缩，(3)倒排索引更新，(4)倒排索引的查找，(5)搜索排序，(6)拼音转化功能 的实现，(7)拼音搜索 Trie 建立，(8)拼音联想词的查找，以及辅助功能如高亮显 示、相关推荐等功能。

这是谷歌创始人谢尔盖-布林和拉里-佩奇在1998年发表的关于Google搜索引擎系统设计的短版论文。至今饮用两万多次。

Numerous sensors have been deployed in different geospatial locations to continuously and cooperatively monitor the surrounding environment, such as the air quality. These sensors generate multiple geo-sensory time series, with spatial correlations between their readings. Forecasting geo-sensory time series is of great importance yet very challenging as it is affected by many complex factors, i.e., dynamic spatio-temporal correlations and external factors. In this paper, we predict the readings of a geo-sensor over several future hours by using a multi-level attention-based recurrent neural network that considers multiple sensors’ readings, meteorological data, and spatial data. More specifically, our model consists of two major parts: 1) a multi-level attention mechanism to model the dynamic spatio-temporal dependencies. 2) a general fusion module to incorporate the external factors from different domains. Experiments on two types of real-world datasets, viz., air quality data and water quality data, demonstrate that our method outperforms nine baseline methods.

Region-level demand forecasting is an essential task in ride-hailing services. Accurate ride-hailing demand forecasting can guide vehicle dispatching, improve vehicle utilization, reduce the wait-time, and mitigate traffic congestion. This task is challenging due to the complicated spatiotemporal dependencies among regions. Existing approaches mainly focus on modeling the Euclidean correlations among spatially adjacent regions while we observe that non-Euclidean pair-wise correlations among possibly distant regions are also critical for accurate forecasting. In this paper, we propose the spatiotem- poral multi-graph convolution network (ST-MGCN), a novel deep learning model for ride-hailing demand forecasting. We first encode the non-Euclidean pair-wise correlations among regions into multiple graphs and then explicitly model these correlations using multi-graph convolution. To utilize the global contextual information in modeling the temporal correlation, we further propose contextual gated recurrent neural network which augments recurrent neural network with a contextual-aware gating mechanism to reweights different historical observations. We evaluate the proposed model on two real-world large scale ride-hailing demand datasets and observe consistent improvement of more than 10% over state-of-the-art baselines.

摘要 背景（交通预测的意义） 交通预测是智能交通系统的基础，对于建设智慧城市而言至关重要。 问题陈述（现有时空网络建模方法的不足在于？） 忽略路网空间相关性的动态特性 基于RNN的方法效率低 缺乏公平的比较 方法（本文如何应对目前的挑战？） 提出一个新颖的交通预测框架，名曰DGCRN。新颖之处在： 每一个时间步都生成动态的滤波器参数，从节点属性中提取动态特性 对节点嵌入进行过滤，并使用他们生成动态图，集成于预定义的静态图中 应用一种新的训练策略，提高效率和模型表现。 实验 新模型超越15个基线模型。