搜索[首次公开募股]结果-低调大师优秀个人博客

精选列表

搜索[首次公开募股]，共10000篇文章

酷瓜云课堂（企业版）v1.0.2 发布，商业代码公开啦，欢迎试用

更新内容增加开票相关功能收货地址支持多个地址调整积分礼品兑换相关逻辑用户中心增加月积分统计图表修复秒杀订单关闭后没有回退库存问题系统介绍酷瓜云课堂，依托腾讯云基础服务架构，采用C扩展框架Phalcon开发，GPL-2.0开源协议，致力开源网课系统，开源网校系统，开源知识付费系统，开源在线教育系统。系统功能实现了点播、直播、专栏、面授、问答、会员、群组、微聊、积分、秒杀、拼团、分销等。友情提示请使用干净的系统执行安装，如有安装过 nginx，apache 之类的占用 80和 443 端口的web服务会造成端口冲突配置要求操作系统：Ubuntu | Debain | Centos 系统内存：2G+ 申请试用授权授权申请地址：点击申请安装指南下载安装脚本 cd ~ && curl http://download.koogua.com/ctc-pro/install.sh -o install.sh 根据实际情况修改配置 nano install.sh 可选配置项目如下： #是否安装测试数据(on:是，off:否) SITE_DEMO=off #站点域名(不包括http，没有域名可忽略) SITE_DOMAIN=abc.com #站点密钥(数字字母组合，不要用特殊字符) SITE_KEY=1qaz2wsx3edc #mysql超级用户密码（数字字母组合，不要用特殊字符） MYSQL_ROOT_PASSWORD=1qaz2wsx3edc #mysql项目数据库名称（数字字母组合，不要用特殊字符） MYSQL_DATABASE=ctc #mysql项目数据库用户（数字字母组合，不要用特殊字符） MYSQL_USER=ctc #mysql项目数据库密码（数字字母组合，不要用特殊字符） MYSQL_PASSWORD=1qaz2wsx3edc #redis访问密码（数字字母组合，不要用特殊字符） REDIS_PASSWORD=1qaz2wsx3edc 执行安装，快慢取决于网络，当有错误或者超时请重试，请重试，请重试 bash install.sh 访问网站管理帐号：10000@163.com / 123456 前台地址：http://{your-domain}.com 后台地址：http://{your-domain}.com/admin 后续设置：系统设置测试数据管理帐号：100015@163.com / 123456 结束安装安装完成，请删除安装脚本 rm install.sh

2022-04-18

Java 开源办公开发平台 O2OA V6.3 发布 | ElementUI 组件上线！

O2OA6.3版本中，新增了一组基于Vue的ElementUI组件，在流程表单设计界面，就可以在左边的工具栏找到ElementUI组件。它能让界面设计更加简洁直观，只需要将对应的组件拖动到表单设计区域就可以创建组件，还能保证产品设计人员搭建逻辑清晰、搭建出结构合理且高效易用的产品。创建界面的布局容器后，可以选择字段类型组件、自动完成框、计数器、选择框、级联选择器、按钮、通用组件等进行快速搭建，提升设计效率，让界面更加美观，结构更加合理。以日期范围选择器为例，点击＂Preview＂按钮可预览组件样式：保存表单就创建了一个用与选择日期范围的组件，组件的值会自动绑定到“v-model”属性指向的key，本例中，选择框的值被绑定到了this.data.value1中。我们再给日期选择框添加一些快捷选项，保存表单后即可看到效果: 除此之外，此次版本在流程管理中新增了onlyoffice控件、wps控件、金格控件、永中控件作为正文控件，支持在线编辑word、excel、ppt、pdf等文件，加强与同事之间的远程协同；新增了LibreOffice预览，满足了用户在线预览各类文件的需求，助力协同办公，实现高效的团队管理。 O2OA V6.3还包含其他的功能更新和问题修正，让平台更稳定，用户操作更方便：功能新增 [通用]HTML编辑器CKEditor升级到4161，增加了阅读状态的图片延迟加载功能、浏览原图功能。涉及的应用有流程表单、内容管理表单和论坛帖子 [数据中心]新增了查询视图中导出Excel的功能 [内容管理]新增了内容管理文档的操作条中置顶的功能，并为内容管理列表增加置顶标记 [服务管理]新增了服务管理的代理和接口开发界面调试的功能 [流程管理]新增了表单设计界面增加数据模板的时候带入默认相关组件，数据模板导出字段配置自动获取的功能 [流程管理]新增了onlyoffice控件 [流程管理]新增了wps控件 [流程管理]新增了金格控件 [流程管理]新增了永中控件 [流程管理]新增了LibreOffice预览 [移动办公]新增了微信公众号，关注回复的消息的功能 [移动办公]新增了企业微信考勤数据导入查询功能 [移动办公]新增了移动端App支持tokenName修改的功能 [移动办公]新增了移动端App支持通讯录权限控制的功能 [移动办公]新增了移动端App个人信息页面的个人属性展现的功能 [数据库]新增了南大通用GBASE华库数据库支持 [日志]新增了服务器http request access log [流程平台]新增了流程起草权限增加群组设置的功能 [内容管理]新增了根据条件查找附件的接口 [流程平台]新增了流程起草增加权限校验 [人员组织]新增了人员组织管理模块接口mockput和mockdelete [流程平台]新增了待办、待阅根据title查询 [平台架构]新增了平台审计日志自定义程序分析功能 [流程平台]增加了公文编辑器转换Word后加密的功能 [流程平台]增加了公文编辑器加盖图片章的功能 [流程平台]新增了公文编辑器增加标题字体定义的功能 [流程平台]新增了公文编辑器保证版记在偶数页的功能 [流程平台]新增了公文编辑器增加附件内容编辑的功能 [流程平台]新增了公文编辑器增加编辑器属性配置的功能 [平台架构]新增了主菜单排序设置功能，管理员可设置默认和强制方式 [平台架构]新增了一组ElementUI组件功能优化 [考勤管理]优化了考勤管理界面 [脚本API]优化了脚本API（增加了后台脚本API,增加了发送待阅、添加参阅） [内容管理]优化了内容管理表单事件，增加postSave、 postPublish [内容管理]整理了内容管理操作条的图标 [移动办公]优化了主题切换功能 [移动办公]优化了移动端已阅意见功能支持 [移动办公]O2云连接配置UI修改，以及一些页面功能调整优化 [移动办公]优化了移动端App分享功能 [移动办公]优化了移动端App拍照功能 [服务器]集群增加健康检查 [服务器]优化了线程池 [服务器]优化了缓存机制 [认证]验证码改为全匹配,并更新验证码实现 [内容管理]优化了文档发布消息发送条件，未配置消息类型不往消息处理器发送消息 [人员组织]优化了人员身份唯一编码，使其根据组织编码和人员唯一编码生成 [内容管理]优化了文档权限刷新，增加多线程处理，增加根据文档类型刷新权限 [内容管理]优化了分页查询的查询速度 [内容管理]优化了review表索引，减少不必要索引，增加联合索引 [流程平台]优化了公文编辑器格式展现 [流程平台]公文编辑器粘贴表格时，控制合适的宽度 [流程平台]公文编辑器只有一个附件时不显示序号 [平台架构]修复this.data绑定的Array数据类型问题 [平台优化]基于Authorization请求头的系统认证问题修复 [流程管理]修复了重置处理人未剔除待办人的问题 [流程管理]修复了人员选择保存范围刷新后变回精简的问题 [内容管理]修复了内容管理设计端语言包上的一些问题 [流程管理]修复了表单Tab组件设置宽度无效的问题 [流程管理]修复了表单中TextArea组件只读时setData的问题 [流程管理]修复了数据表格移动端条目为0时无添加按钮的问题 [移动办公]修复了钉钉、企业微信考勤数据展现的bug [流程引擎]修复了定时节点无法清空已选值的bug [内容管理]修复了文档阅读记录出现cipher用户的问题 [内容管理]修复了根据创建时间查询文档错误的问题 [流程平台]修复了根据状态分页查找work的bug [内容管理]修复了文档保存时未保存置顶信息的问题 [流程平台]修复了执行this.data.save脚本时，在表单未载入完全时，可能造成数据丢失的问题 [平台架构]修复了loadCss方法会多次载入的问题 [流程平台]去除流程启动前和流程结束前两个事件 [平台架构]修复Promise的uncatch错误

2021-09-28

GitHub深陷“抄袭门”，拿公开源码训练AI，遭大量程序员声讨

GitHub明确表示，所有的GitHub公开代码都被用于Copilot的训练，GitHub不会区分开源协议的类型。

2021-07-14

微软、海思、任天堂等50多家知名公司源代码泄露，人人可公开访问

据专注于银行业安全的Bank Security统计，其GitLab公开存储库中有50多家公司的相关源代码。

2020-07-30

TP-Link 不回应，安全工程师公开了其路由器漏洞

Google 安全工程师在 TP-Link 的 SR20 智能家居路由器上发现了一个允许从本地网络连接执行任意命令的漏洞，他将问题报告给 TP-Link，但是经过了 90 天还没有得到官方的回应，于是他公开了该漏洞

2019-03-30

AI设计师“鹿班”核心技术公开：如何1秒设计8000张海报？

本文介绍了视觉生成的现状，智能设计的框架和流程、应用案例及未来前景。通过本文的学习，可以对鹿班这个产品，以及视觉生成相关技术有基础性的认识、了解行业的现状以及未来的发展趋势。演讲嘉宾简介：星瞳，阿里巴巴机器智能技术实验室资深算法专家，专注于视觉生成、智能医疗、图像搜索、信息抽取等方面技术研发和落地；阿里巴巴智能设计（鹿班）的创始成员和算法技术负责人，医疗影像智能诊断方向负责人，图像搜索拍立淘的早期创始成员。本次分享主要分为以下几个部分：定义、目标和愿景设计行业现状使用场景技术框架和生产流程关键算法业务进展案例展示鹿班（新零售UED、淘宝技术部等共创的典型案例）前景展望一、定义、目标和愿景视觉生成的定义：可控视觉内容设计和生成，聚焦满足用户、场景需求的数字视觉内容制造，包括针对图像、视频及图形的增强、编辑、渲染、生成、评估等视觉内容

2018-05-08

今日头条推荐算法原理首公开，头条首席算法架构师带来详细解读

▲3分钟了解今日头条推荐算法原理今日头条资深算法架构师曹欢欢：本次分享将主要介绍今日头条推荐系统概览以及内容分析、用户标签、评估分析，内容安全等原理。一、系统概览推荐系统，如果用形式化的方式去描述实际上是拟合一个用户对内容满意度的函数，这个函数需要输入三个维度的变量。第一个维度是内容。头条现在已经是一个综合内容平台，图文、视频、UGC小视频、问答、微头条，每种内容有很多自己的特征，需要考虑怎样提取不同内容类型的特征做好推荐。第二个维度是用户特征。包括各种兴趣标签，职业、年龄、性别等，还有很多模型刻划出的隐式用户兴趣等。第三个维度是环境特征。这是移动互联网时代推荐的特点，用户随时随地移动，在工作场合、通勤、旅游等不同的场景，信息偏好有所偏移。结合三方面的维度，模型会给出一个预估，即推测推荐内容在这一场景下对这一用户是否合适。这里还有一个问题，如何引入无法直接衡量的目标？推荐模型中，点击率、阅读时间、点赞、评论、转发包括点赞都是可以量化的目标，能够用模型直接拟合做预估，看线上提升情况可以知道做的好不好。但一个大体量的推荐系统，服务用户众多，不能完全由指标评估，引入数据指标以外的要素也很重要。比如广告和特型内容频控。像问答卡片就是比较特殊的内容形式，其推荐的目标不完全是让用户浏览，还要考虑吸引用户回答为社区贡献内容。这些内容和普通内容如何混排，怎样控制频控都需要考虑。此外，平台出于内容生态和社会责任的考量，像低俗内容的打压，标题党、低质内容的打压，重要新闻的置顶、加权、强插，低级别账号内容降权都是算法本身无法完成，需要进一步对内容进行干预。下面我将简单介绍在上述算法目标的基础上如何对其实现。前面提到的公式y = F(Xi ,Xu ,Xc)，是一个很经典的监督学习问题。可实现的方法有很多，比如传统的协同过滤模型，监督学习算法Logistic Regression模型，基于深度学习的模型，Factorization Machine和GBDT等。一个优秀的工业级推荐系统需要非常灵活的算法实验平台，可以支持多种算法组合，包括模型结构调整。因为很难有一套通用的模型架构适用于所有的推荐场景。现在很流行将LR和DNN结合，前几年Facebook也将LR和GBDT算法做结合。今日头条旗下几款产品都在沿用同一套强大的算法推荐系统，但根据业务场景不同，模型架构会有所调整。模型之后再看一下典型的推荐特征，主要有四类特征会对推荐起到比较重要的作用。第一类是相关性特征，就是评估内容的属性和与用户是否匹配。显性的匹配包括关键词匹配、分类匹配、来源匹配、主题匹配等。像FM模型中也有一些隐性匹配，从用户向量与内容向量的距离可以得出。第二类是环境特征，包括地理位置、时间。这些既是bias特征，也能以此构建一些匹配特征。第三类是热度特征。包括全局热度、分类热度，主题热度，以及关键词热度等。内容热度信息在大的推荐系统特别在用户冷启动的时候非常有效。第四类是协同特征，它可以在部分程度上帮助解决所谓算法越推越窄的问题。协同特征并非考虑用户已有历史。而是通过用户行为分析不同用户间相似性，比如点击相似、兴趣分类相似、主题相似、兴趣词相似，甚至向量相似，从而扩展模型的探索能力。模型的训练上，头条系大部分推荐产品采用实时训练。实时训练省资源并且反馈快，这对信息流产品非常重要。用户需要行为信息可以被模型快速捕捉并反馈至下一刷的推荐效果。我们线上目前基于storm集群实时处理样本数据，包括点击、展现、收藏、分享等动作类型。模型参数服务器是内部开发的一套高性能的系统，因为头条数据规模增长太快，类似的开源系统稳定性和性能无法满足，而我们自研的系统底层做了很多针对性的优化，提供了完善运维工具，更适配现有的业务场景。目前，头条的推荐算法模型在世界范围内也是比较大的，包含几百亿原始特征和数十亿向量特征。整体的训练过程是线上服务器记录实时特征，导入到Kafka文件队列中，然后进一步导入Storm集群消费Kafka数据，客户端回传推荐的label构造训练样本，随后根据最新样本进行在线训练更新模型参数，最终线上模型得到更新。这个过程中主要的延迟在用户的动作反馈延时，因为文章推荐后用户不一定马上看，不考虑这部分时间，整个系统是几乎实时的。但因为头条目前的内容量非常大，加上小视频内容有千万级别，推荐系统不可能所有内容全部由模型预估。所以需要设计一些召回策略，每次推荐时从海量内容中筛选出千级别的内容库。召回策略最重要的要求是性能要极致，一般超时不能超过50毫秒。召回策略种类有很多，我们主要用的是倒排的思路。离线维护一个倒排，这个倒排的key可以是分类，topic，实体，来源等，排序考虑热度、新鲜度、动作等。线上召回可以迅速从倒排中根据用户兴趣标签对内容做截断，高效的从很大的内容库中筛选比较靠谱的一小部分内容。二、内容分析内容分析包括文本分析，图片分析和视频分析。头条一开始主要做资讯，今天我们主要讲一下文本分析。文本分析在推荐系统中一个很重要的作用是用户兴趣建模。没有内容及文本标签，无法得到用户兴趣标签。举个例子，只有知道文章标签是互联网，用户看了互联网标签的文章，才能知道用户有互联网标签，其他关键词也一样。另一方面，文本内容的标签可以直接帮助推荐特征，比如魅族的内容可以推荐给关注魅族的用户，这是用户标签的匹配。如果某段时间推荐主频道效果不理想，出现推荐窄化，用户会发现到具体的频道推荐（如科技、体育、娱乐、军事等）中阅读后，再回主feed,推荐效果会更好。因为整个模型是打通的，子频道探索空间较小，更容易满足用户需求。只通过单一信道反馈提高推荐准确率难度会比较大，子频道做的好很重要。而这也需要好的内容分析。上图是今日头条的一个实际文本case。可以看到，这篇文章有分类、关键词、topic、实体词等文本特征。当然不是没有文本特征，推荐系统就不能工作，推荐系统最早期应用在Amazon,甚至沃尔玛时代就有，包括Netfilx做视频推荐也没有文本特征直接协同过滤推荐。但对资讯类产品而言，大部分是消费当天内容，没有文本特征新内容冷启动非常困难，协同类特征无法解决文章冷启动问题。今日头条推荐系统主要抽取的文本特征包括以下几类。首先是语义标签类特征，显式为文章打上语义标签。这部分标签是由人定义的特征，每个标签有明确的意义，标签体系是预定义的。此外还有隐式语义特征，主要是topic特征和关键词特征，其中topic特征是对于词概率分布的描述，无明确意义；而关键词特征会基于一些统一特征描述，无明确集合。另外文本相似度特征也非常重要。在头条，曾经用户反馈最大的问题之一就是为什么总推荐重复的内容。这个问题的难点在于，每个人对重复的定义不一样。举个例子，有人觉得这篇讲皇马和巴萨的文章，昨天已经看过类似内容，今天还说这两个队那就是重复。但对于一个重度球迷而言，尤其是巴萨的球迷，恨不得所有报道都看一遍。解决这一问题需要根据判断相似文章的主题、行文、主体等内容，根据这些特征做线上策略。同样，还有时空特征，分析内容的发生地点以及时效性。比如武汉限行的事情推给北京用户可能就没有意义。最后还要考虑质量相关特征，判断内容是否低俗，色情，是否是软文，鸡汤？上图是头条语义标签的特征和使用场景。他们之间层级不同，要求不同。分类的目标是覆盖全面，希望每篇内容每段视频都有分类；而实体体系要求精准，相同名字或内容要能明确区分究竟指代哪一个人或物，但不用覆盖很全。概念体系则负责解决比较精确又属于抽象概念的语义。这是我们最初的分类，实践中发现分类和概念在技术上能互用，后来统一用了一套技术架构。目前，隐式语义特征已经可以很好的帮助推荐，而语义标签需要持续标注，新名词新概念不断出现，标注也要不断迭代。其做好的难度和资源投入要远大于隐式语义特征，那为什么还需要语义标签？有一些产品上的需要，比如频道需要有明确定义的分类内容和容易理解的文本标签体系。语义标签的效果是检查一个公司NLP技术水平的试金石。今日头条推荐系统的线上分类采用典型的层次化文本分类算法。最上面Root，下面第一层的分类是像科技、体育、财经、娱乐，体育这样的大类，再下面细分足球、篮球、乒乓球、网球、田径、游泳等，足球再细分国际足球、中国足球，中国足球又细分中甲、中超、国家队等，相比单独的分类器，利用层次化文本分类算法能更好地解决数据倾斜的问题。有一些例外是，如果要提高召回，可以看到我们连接了一些飞线。这套架构通用，但根据不同的问题难度，每个元分类器可以异构，像有些分类SVM效果很好，有些要结合CNN，有些要结合RNN再处理一下。上图是一个实体词识别算法的case。基于分词结果和词性标注选取候选，期间可能需要根据知识库做一些拼接，有些实体是几个词的组合，要确定哪几个词结合在一起能映射实体的描述。如果结果映射多个实体还要通过词向量、topic分布甚至词频本身等去歧，最后计算一个相关性模型。三、用户标签内容分析和用户标签是推荐系统的两大基石。内容分析涉及到机器学习的内容多一些，相比而言，用户标签工程挑战更大。今日头条常用的用户标签包括用户感兴趣的类别和主题、关键词、来源、基于兴趣的用户聚类以及各种垂直兴趣特征（车型，体育球队，股票等）。还有性别、年龄、地点等信息。性别信息通过用户第三方社交账号登录得到。年龄信息通常由模型预测，通过机型、阅读时间分布等预估。常驻地点来自用户授权访问位置信息，在位置信息的基础上通过传统聚类的方法拿到常驻点。常驻点结合其他信息，可以推测用户的工作地点、出差地点、旅游地点。这些用户标签非常有助于推荐。当然最简单的用户标签是浏览过的内容标签。但这里涉及到一些数据处理策略。主要包括：一、过滤噪声。通过停留时间短的点击，过滤标题党。二、热点惩罚。对用户在一些热门文章（如前段时间PG One的新闻）上的动作做降权处理。理论上，传播范围较大的内容，置信度会下降。三、时间衰减。用户兴趣会发生偏移，因此策略更偏向新的用户行为。因此，随着用户动作的增加，老的特征权重会随时间衰减，新动作贡献的特征权重会更大。四、惩罚展现。如果一篇推荐给用户的文章没有被点击，相关特征（类别，关键词，来源）权重会被惩罚。当然同时，也要考虑全局背景，是不是相关内容推送比较多，以及相关的关闭和dislike信号等。用户标签挖掘总体比较简单，主要还是刚刚提到的工程挑战。头条用户标签第一版是批量计算框架，流程比较简单，每天抽取昨天的日活用户过去两个月的动作数据，在Hadoop集群上批量计算结果。但问题在于，随着用户高速增长，兴趣模型种类和其他批量处理任务都在增加，涉及到的计算量太大。2014年，批量处理任务几百万用户标签更新的Hadoop任务，当天完成已经开始勉强。集群计算资源紧张很容易影响其它工作，集中写入分布式存储系统的压力也开始增大，并且用户兴趣标签更新延迟越来越高。面对这些挑战。2014年底今日头条上线了用户标签Storm集群流式计算系统。改成流式之后，只要有用户动作更新就更新标签，CPU代价比较小，可以节省80%的CPU时间，大大降低了计算资源开销。同时，只需几十台机器就可以支撑每天数千万用户的兴趣模型更新，并且特征更新速度非常快，基本可以做到准实时。这套系统从上线一直使用至今。当然，我们也发现并非所有用户标签都需要流式系统。像用户的性别、年龄、常驻地点这些信息，不需要实时重复计算，就仍然保留daily更新。四、评估分析上面介绍了推荐系统的整体架构，那么如何评估推荐效果好不好？有一句我认为非常有智慧的话，“一个事情没法评估就没法优化”。对推荐系统也是一样。事实上，很多因素都会影响推荐效果。比如侯选集合变化，召回模块的改进或增加，推荐特征的增加，模型架构的改进在，算法参数的优化等等，不一一举例。评估的意义就在于，很多优化最终可能是负向效果，并不是优化上线后效果就会改进。全面的评估推荐系统，需要完备的评估体系、强大的实验平台以及易用的经验分析工具。所谓完备的体系就是并非单一指标衡量，不能只看点击率或者停留时长等，需要综合评估。过去几年我们一直在尝试，能不能综合尽可能多的指标合成唯一的评估指标，但仍在探索中。目前，我们上线还是要由各业务比较资深的同学组成评审委员会深入讨论后决定。很多公司算法做的不好，并非是工程师能力不够，而是需要一个强大的实验平台，还有便捷的实验分析工具，可以智能分析数据指标的置信度。一个良好的评估体系建立需要遵循几个原则，首先是兼顾短期指标与长期指标。我在之前公司负责电商方向的时候观察到，很多策略调整短期内用户觉得新鲜，但是长期看其实没有任何助益。其次，要兼顾用户指标和生态指标。今日头条作为内容分创作平台，既要为内容创作者提供价值，让他更有尊严的创作，也有义务满足用户，这两者要平衡。还有广告主利益也要考虑，这是多方博弈和平衡的过程。另外，要注意协同效应的影响。实验中严格的流量隔离很难做到，要注意外部效应。强大的实验平台非常直接的优点是，当同时在线的实验比较多时，可以由平台自动分配流量，无需人工沟通，并且实验结束流量立即回收，提高管理效率。这能帮助公司降低分析成本，加快算法迭代效应，使整个系统的算法优化工作能够快速往前推进。这是头条A/B Test实验系统的基本原理。首先我们会做在离线状态下做好用户分桶，然后线上分配实验流量，将桶里用户打上标签，分给实验组。举个例子，开一个10%流量的实验，两个实验组各5%，一个5%是基线，策略和线上大盘一样，另外一个是新的策略。实验过程中用户动作会被搜集，基本上是准实时，每小时都可以看到。但因为小时数据有波动，通常是以天为时间节点来看。动作搜集后会有日志处理、分布式统计、写入数据库，非常便捷。在这个系统下工程师只需要设置流量需求、实验时间、定义特殊过滤条件，自定义实验组ID。系统可以自动生成：实验数据对比、实验数据置信度、实验结论总结以及实验优化建议。当然，只有实验平台是远远不够的。线上实验平台只能通过数据指标变化推测用户体验的变化，但数据指标和用户体验存在差异，很多指标不能完全量化。很多改进仍然要通过人工分析，重大改进需要人工评估二次确认。五、内容安全最后要介绍今日头条在内容安全上的一些举措。头条现在已经是国内最大的内容创作与分发凭条，必须越来越重视社会责任和行业领导者的责任。如果1%的推荐内容出现问题，就会产生较大的影响。因此头条从创立伊始就把内容安全放在公司最高优先级队列。成立之初，已经专门设有审核团队负责内容安全。当时研发所有客户端、后端、算法的同学一共才不到40人，头条非常重视内容审核。现在，今日头条的内容主要来源于两部分，一是具有成熟内容生产能力的PGC平台，一是UGC用户内容，如问答、用户评论、微头条。这两部分内容需要通过统一的审核机制。如果是数量相对少的PGC内容，会直接进行风险审核，没有问题会大范围推荐。UGC内容需要经过一个风险模型的过滤，有问题的会进入二次风险审核。审核通过后，内容会被真正进行推荐。这时如果收到一定量以上的评论或者举报负向反馈，还会再回到复审环节，有问题直接下架。整个机制相对而言比较健全，作为行业领先者，在内容安全上，今日头条一直用最高的标准要求自己。分享内容识别技术主要鉴黄模型，谩骂模型以及低俗模型。今日头条的低俗模型通过深度学习算法训练，样本库非常大，图片、文本同时分析。这部分模型更注重召回率，准确率甚至可以牺牲一些。谩骂模型的样本库同样超过百万，召回率高达95%+，准确率80%+。如果用户经常出言不讳或者不当的评论，我们有一些惩罚机制。泛低质识别涉及的情况非常多，像假新闻、黑稿、题文不符、标题党、内容质量低等等，这部分内容由机器理解是非常难的，需要大量反馈信息，包括其他样本信息比对。目前低质模型的准确率和召回率都不是特别高，还需要结合人工复审，将阈值提高。目前最终的召回已达到95%，这部分其实还有非常多的工作可以做。头条人工智能实验室李航老师目前也在和密歇根大学共建科研项目，设立谣言识别平台。以上是头条推荐系统的原理分享，希望未来得到更多的建议，帮助我们更好改进工作。原文发布时间为：2018-01-18 本文作者：今日头条本文来自云栖社区合作伙伴“AI研习社”，了解相关信息可以关注“AI研习社”。

2018-01-17

学习笔记TF067:TensorFlow Serving、Flod、计算加速，机器学习评测体系，公开数据集

公开数据集。图片数据集。ImageNet http://www.image-net.org/ 。世界最大图像识别数据集，14197122张图像，斯坦福大学视觉实验室终身教授李飞飞创立。

2017-11-13

深度学习之经典卷积神经网络的技术浅析 | 硬创公开课预告

卷积神经网络（Convolutional Neural Networks）是人工神经网络的重要分支，目前已经成为语音和图像识别领域的一大研究热点。特别是在图像识别领域，由于其特有的权值共享网络结构，大大降低了模型复杂度，减少了权值数量，因此可以直接将多维图像作为输入数据展开训练，有效避免了传统识别算法中复杂的特征提取和数据重建过程。逐本溯源，卷积结构最早出现于 1984 年的神经认知机（NeoCognitron）。发展到 1998 年，诞生了第一代经典卷积神经网络 LeNet，但随着支持向量机 SVM（Support Vector Machine）的出现，卷积神经网络一度归于沉寂。后来，随着 ReLu（Rectified Linear Units）和 Dropout 等激活函数的提出，以及 GPU 和大数据带来的历史机遇，卷积神经

2017-08-01

AI 从业者该如何选择深度学习开源框架丨硬创公开课

编者按：本文内容来自微软美国总部机器学习科学家彭河森博士在雷锋网(公众号：雷锋网)硬创公开课的分享，并由彭河森博士亲自整理成文。

2017-07-31

天猫黑科技秘密全公开！人脸识别、AR交互、3D物体云识别...

2017年“天猫618理想生活狂欢节”已经结束，不管是线上的会场还是线下的体验馆都给大家留下了很深刻的印象：天眼AR、跨屏互动、虚拟魔镜、3D交互、全景漫游等黑科技，让今年的618前所未有地热闹纷呈。相信很多小伙伴对这些体验背后的技术体系比较感兴趣。此次将为大家揭开神秘面纱，介绍一下618这些黑科技出自谁的手，又是如何在大促的快节奏中高质、高效生产出来的。从“互动开放+TidaSDK”到“互动联盟+海螺码头”天猫在2014年双11开始启动互动开放，目的是让消费者能从狂欢城进入品牌店铺玩小游戏获取权益，为品牌商带来进店流量的同时也让消费者在进店的时候更加有趣。所以天猫联合商家事业部为双11进行ISV的招募，以满足店铺与消费者的多样性选择。 ISV入驻与代码托管底层还是基于聚石塔的开放平台，由天猫互动平台根据互动场景以及手机天猫、手机淘

2017-06-27

iniVation DVXplorer事件相机首次观测极光：高时间分辨率记录与事件重建方法

关键词：再度事件相机、iniVation、DVXplorer、极光观测、事件重建

2026-08-26

开源图形兼容层 D7VK 推出 1.1 版本，首次引入 Direct3D 6 支持

1.1 版本亮点实验性支持 Direct3D 6（D3D6）：这一版本首次引入了 D3D6 的前端支持，使得一些更早期的游戏能够在 D7VK 上开始运行，虽然仍处于实验阶段，兼容性并不完善。

2025-12-30

行业内首次实现国产 GPU 从 0 到 1 的端到端 AI 大模型实训

摩尔线程是第一家接入无问芯穹并进行千卡级别大模型训练的国产GPU公司，而‘MT-infini-3B’的训练是行业内首次实现基于国产GPU芯片从0到1的端到端大模型实训案例。”

2024-05-27

t-io 3.5.5来了，华为拷测后IM群发能力首次突破600万/秒

修改点 1、性能提升 2、稳定性提升 3、性能照顾场景变广（华为拷机测试的全部场景都照顾到了） 4、IM群发性能首次突破600万/秒最新pom <dependency> <

2019-10-09

三年首次大合集：阿里技术免费电子书一键下载！

免费下载传送门：《阿里机器智能技术精选》 5、《阿里巴巴Java开发手册》《Java开发手册》是阿里巴巴集团技术团队的集体智慧结晶和经验总结，经历了多次大规模一线实战的检验及不断完善，公开到业界后，

2019-08-05

阿里云首次发布数字化转型方法论，推动各行各业数字化转型

基于阿里巴巴多年的数字化转型实践，阿里云首次发布“双中台+ET”数字化转型方法论，希望能够赋能各行各业，实现数字化转型。 2015年，阿里巴巴开启中台战略。

2018-08-12

阿里知识图谱首次曝光：每天千万级拦截量，亿级别全量智能审核

借助阿里知识图谱的建设，阿里电商平台管控从过去的“巡检”模式升级为发布端实时逐一检查。在海量的商品发布量的挑战下，最大可能地借助大数据、人工智能阻止坏人、问题商品进入阿里生态。同时面临问题商家实时的对弈、变异和恶意攻击等诸多挑战，知识图谱仍然保持着每天千万级别的拦截量，亿级别的全量智能审核次数，在滥发、侵权、合规、假货、经营范围等多个场景全面与问题卖家正面交锋，实时对弈。为了最大限度地保护知识产权，保护消费者权益，我们对知识图谱推理引擎技术提出了智能化、自学习、毫秒级响应、可解释等更高地技术要求，实现良好的社会效益。阿里知识图谱运用阿里巴巴生态里积累了海量的商品数据，这些宝贵的商品数据来自于淘宝、天猫、1688、AliExpress等多个市场，同时品牌商、行业运营、治理运营、消费者、国家机构、物流商等多种角色参与其中，贡献着校正

2017-08-29

20年来首次：英特尔痛失全球市场桂冠，智能芯片王者争霸AI致胜

国外著名科技网站 ArsTechnica 今日报道，自 1993 年 1 月以来，英特尔一直是世界上最大的芯片制造商，其销售的 386 和 486 处理器有力冲击了日本芯片企业，比如 NEC 和东芝。1993 年晚些时候发布的第一个代奔腾 CPU 以及未来十年 Windows 95 和 98 个人计算机的蓬勃发展，将英特尔推上了业界龙头地位。目前，英特尔的年营收率仍然在继续增长——无论是从 PC、数据中心服务器，还是物联网芯片。根据 Venture Beat 今年 1 月份的报道，数据中心和互联网、物联网让英特尔去年 Q4 的营业收入达到了 164 亿美元。但是，根据美国半导体市场及趋势分析调研公司 IC Insights 的旗舰报告《麦克莱恩报告——集成电路行业的完整分析与预测》（The McClean Report—A Com

2017-07-31

首次写入政府工作报告 5G时代离我们又近一步

5G进入2017政府工作报告这是政府工作报告首次提到“第五代移动通信技术（5G）”。

2017-07-04

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。