科研学习|论文解读——面向电商内容安全风险管控的协同过滤推荐算法研究

【论文完整内容详见知网链接】:

面向电商内容安全风险管控的协同过滤推荐算法研究 - 中国知网 (cnki.net)

面向电商内容安全风险管控的协同过滤推荐算法研究*

摘  要:[目的/意义]随着电商平台商家入驻要求降低以及商品上线审核流程简化,内容安全风险问题成为协同过滤推荐算法伦理审查的核心问题之一。[方法/过程]本文将内容安全风险问题纳入用户协同过滤推荐算法的优化过程,提出一种改进的推荐算法。首先,采用混合研究方法对内容安全风险商品的定义、外在表现形式、特点、分类和风险程度进行了界定;然后,利用图像增强和关键词提取技术构建识别内容安全风险商品的多模态特征库,用于训练不同模态深度学习识别模型;再次,利用深度学习、多模态融合和均值聚类等技术对经典CFR算法进行改进,提出面向电商内容安全风险管控的CSCFR算法;最后,基于3个新数据集设计并实施对照实验,证明该算法在内容安全风险、精度、召回率和稳定性上的优越性。[结果/结论]与最新推荐算法相比,本文所提算法不仅显著提升了内容安全性,而且在精度等性能指标上也略有提升。

关键词:伦理审查;内容安全风险;评分矩阵;协同过滤;特征库;推荐算法

A Collaborative Filtering Recommendation Algorithm for E-commerce Content Security Risk Control

Abstract: [Purpose/significance] With the reduction of merchants’ entry requirements and the simplification of product online review process in e-commerce platforms, content security risk has become one of the core issues of ethical review of Collaborative Filtering Recommendation (CFR) Algorithms.[Method/process]For this reason, this paper incorporated the content security risk into the optimization process of user-based collaborative filtering recommendation algorithm and proposed an improved algorithm. Firstly, a mixed research method was identify the external manifestations, characteristics, classification, and risk degree of products with content security risks. Secondly, this paper constructed a multi-modal feature base for products with content security risks by using image enhancement and keyword extraction technology to train deep learning recognition models of different modalities. Thirdly, by adopting deep learning, multimodal fusion, and mean clustering techniques, this paper proposed a Content Security-oriented Collaborative Filtering Recommendation (CSCFR) algorithm to reduce the content security risk of the algorithm recommendation. Finally, the superiority of the CSCFR algorithm in violation, precision, recall, and stability were demonstrated through three rigorous controlled experiments.[Result/conclusion] Compared with the state-of-the-art recommendation algorithms, the algorithm proposed in this paper does not only improve the content security significantly, but also slightly improves the performance of precision and other metrics.

Keywords: Ethical review; Risk in content security; Rating matrix; Collaborative filtering; Feature base; Recommendation algorithm

0 引言

在人工智能时代,算法推荐正在成为人们获取信息的重要方式,是传统依赖搜索引擎获取信息方式的重要补充,引起了越来越多情报学者的关注,其中所蕴含的安全风险和信息伦理问题是情报学科关注的重要问题。在电商平台中,随着商品种类和数量不断增加,用户借助浏览或检索方式找到符合自身喜好商品的难度越来越大,算法推荐模式应运而生[1-3]。其中,协同过滤推荐算法(Collaborative filtering recommendation,CFR)因具有易于工程实现和推荐结果新颖度高等优势,在商品推荐中得到了广泛应用[4-6],亚马逊(Amazon)、易贝(eBay)、淘宝(Alibaba)、京东(JD)等电商平台相继运用CFR算法来提升产品销量[7]。

CFR算法包括基于模型的算法和基于近邻的算法。基于近邻的算法又可分为基于相似商品的推荐和基于相似用户的推荐两种。基于相似用户的CFR算法可通过分析目标用户的历史消费数据,构建个人兴趣偏好,并基于相似用户的历史消费商品向目标用户推荐可能符合其喜好的商品[8],能够减轻用户的选购负担,但同时也因为可以发现用户的潜在喜好而带来信息伦理风险。

随着推荐算法的运算对象由商品转向用户,其内在的价值属性逐渐显现。强调严守非歧视性、用户非物质性和个人选择不可剥夺性等原则的伦理审查成为推荐领域研究的热点[8-13]。不同于传统优化研究强调推荐算法性能(如Precision精度、Recall召回率等),伦理审查研究更关注算法优化中用户的知情权、选择权和注销权等权利,旨在杜绝算法优化中可能存在的伦理问题。然而,随着电商规模的扩大,平台对商家入驻的要求和对产品上线的审核流程大幅简化,使新增商品中混杂了一些具有安全风险的商品,如违禁物品、国家珍稀保护动物等。由算法推荐具有内容安全风险的商品,不但会给社会风气和平台形象造成恶劣影响,不利于营造安全放心的在线消费环境,而且进一步加剧了用户—商品评分矩阵的稀疏性,影响CFR算法的性能。与用户隐私泄露[14]、算法歧视[15]和过滤气泡[16]等算法伦理问题相比,目前针对内容安全风险管控的CFR算法优化研究存在的主要问题是:①相关研究仍处于起步阶段,多聚焦法律法规或相关政策制定,缺少切实可行的操作方案;②未对内容安全风险商品进行统一可靠的界定,表现形式、特点和分类等尚不清晰;③未建立内容安全风险商品识别的多模态特征库,无法有效发现违法和不良商品并采取相应处置。为此,本文拟针对商品内容安全风险管控前提下推荐算法的优化问题展开研究。[马1] 

1 研究现状

面对日益攀升的算法伦理审查压力,2018年,美国纽约市政府颁布《算法问责法》[17],明确要求算法在向消费者提供与关键决策相关的信息时(如向消费者推荐商品等),应最大限度地降低提供此类信息可能带来的商业风险。时隔一年,加拿大政府颁布《自动化决策指令》[18],构建了一套涵盖公平性、透明性和合法性的系统评估框架,为评价包括推荐在内的自动化决策系统对民众或政府机关可能产生的风险提供了重要依据。此外,2020年欧盟颁布的《人工智能白皮书》[19]强调,除了算法(推荐算法等)本身的设计缺陷,数据可用性和质量问题同样是引发各类算法安全风险的重要原因。在我国,推荐算法的内容安全风险管控已被提升到一个全新的高度。如2022年3月1日起实行的《互联网信息服务算法推荐管理规定》[20]明确要求算法推荐服务提供者应当坚持主流价值导向,不得利用算法推荐服务传播法律、行政法规禁止的信息,并应当采取切实措施防范和抵制传播不良信息。值得注意的是,各大电商平台也在积极响应社会各界对于内容安全风险商品的管控要求。2012年,淘宝制定《禁售商品及信息名录》,明确禁止平台商家销售防狼喷雾、吹镖和狩猎弓等高杀伤性管制器具[21]。2017年,亚马逊(Amazon)德国站应德国民众要求,在其电商平台中全面禁售与纳粹有关的一切产品(带有纳粹标志的连帽衫、T恤等)[22]。2018年,淘宝发布《关于虚拟货币类商品规则解读变更公示通知》,明确虚拟货币的生成定义范围,加强对基于区块链技术生成的数字化产品衍生服务(比特币、莱特币等)的管控[23]。2019年,为进一步保护未成年人身心健康,京东将电子烟列入平台禁售商品,并通过先屏蔽再下架的方式陆续加强了平台对电子烟类商品(烟弹、电子烟油等)的管控力度[24]。2021年,易贝制定网站管理的长期政策,组建了一支遍布多个国家或地区的全球专家团队,以加强对平台内容安全风险商品的管控[25]。

面对日益迫切的推荐算法内容安全风险管控需要,研究人员也进行了一些探索性研究。代表性研究有: [马2] Shrestha等[26]指出商品推荐列表中可能含有许多意想不到或错误的结果,推荐服务提供者应基于具有潜在错误结果的代表性案例对推荐进行人工干预,以尽量减少其给平台声誉造成的损害或带来其他风险。李静辉[27]以算法推荐的意识型态风险治理为视角,强调电商平台应强化自身的伦理自律,时刻把好信息关,运用人工审核等方式加大内容安全审核力度,积极传播社会主流价值。梅帅[28]从智能算法推荐的技术特质入手,分析算法可能引发的社会风险,并提出了一套智能算法推荐风险法律规制的路径策略。此外,Abul-Fottouh等[29][z3] [马4] 还指出,算法在推荐有害内容时可能存在一种同质性效应(有害内容越多,其越可能被算法推荐),而对有害内容的“妖魔化”或对推荐算法的其他改变可能有利于降低其可见性。目前,相关研究多聚焦于理论探讨与政策研究,尚未见专门针对基于相似用户的CFR算法内容安全风险管控的实验研究;关于内容安全风险商品的表现形式、特点和分类的界定尚不清晰;尚未建立用于识别内容安全风险的多模态数据特征库,因而难以准确识别违法和不良商品。为此,设计一种可用的优化算法,用于降低基于相似用户的CFR算法内容安全风险。

2 研究方法

2.1 问题陈述

基于相似用户的CFR算法主要包括4个步骤(见图1):①基于历史消费数据构建用户—商品评分矩阵,行代表用户,列代表商品;②分别计算目标用户A与用户B、C和D之间的评分相似度,确定目标用户A的相似用户群(用户C和D);③构建目标用户A的相似度矩阵,并结合相似用户C和D的历史评分对A行缺失评分(如A行中的商品1和商品4)进行预测;④根据A行各商品评分值高低(降序排列),从n个商品中为用户生成长度为ll<<n)的商品推荐列表B(u)。当目标用户A再次打开该电商平台时在“猜你喜欢”模块将B(u)推荐给用户。

1 商品推荐中基于相似用户的CFR算法运算过程[l5] [马6] 

Fig.1 The process of CFR algorithm based on similar users in product recommendation

如图1所示,用户—商品评分矩阵是CFR算法的数据基础,但是却蕴含着向用户推荐违反伦理审查规范商品的风险。为降低算法推荐内容安全风险,保证优化算法的效用和可操作性,需要考虑3个问题:①

用户—商品评分矩阵的构建方式无法判断哪些商品具有内容安全风险。如研究人员通常仅利用商品ID、用户ID和评分构建矩阵[13],但此种方式并不涉及商品内容(商品标题、商品展示图等);②用户—商品评分矩阵的处理方式无法避免内容安全风险商品参与CFR算法的运算。如研究人员通常采用奇异值分解[30]等算法降低评分矩阵维度,虽然能够较为有效地缓解数据稀疏对CFR算法的影响,但是,内容安全风险商品同其他商品一样参与整个降维过程,并不能降低其在整个评分矩阵中的占比;③从理论上讲,越早发现风险商品越有利于降低CFR算法的内容安全风险。如工业场景中一般在产品上线后(评分矩阵构建前),通过前端人工排查的方式对内容安全风险商品进行管控。但是,此种方法不仅应用难度较大(人力成本高和效率低),而且排查人员的管控尺度也存在一定差异[31]。

2.2研究步骤[马7] 

本文以算法构建和实验检验为主,综合利用实地调研、政策文本内容分析等混合方法开展研究[32]。首先,利用实地调研 (3个月)、半结构化访谈 (4名电商平台在职员工)、网站调查 (7个主流电商平台) 和主题分析等方法,对电商平台中内容安全风险商品的定义、外在表现形式和特点进行界定;然后,构建用于识别内容安全风险商品的多模态特征库,并借助深度学习和多模态融合技术,提出一种面向内容安全风险管控的协同过滤推荐算法;最后,通过实验检验了本文优化思路和所提算法的有效性。

6 研究结论与讨论

6.1 研究结论

为了在商品推荐算法中有效管控电商内容安全风险,本文利用深度学习(VGGNet16, HTCBOW)和多模态后期融合技术,将内容安全风险问题纳入用户协同过滤推荐算法的优化过程,提出融合多模态特征的CSCFR算法,实验结果表明CSCFR算法在过滤内容安全风险商品方面的性能优于多个传统算法。鉴于该领域相关研究较少,本文首先通过实地调研、网站调查、访谈和实验等混合研究方法,对内容安全风险商品的定义、外在表现形式、特点、分类和风险程度进行了界定;将内容安全风险商品划分为7个大类(色情低俗、暴恐、军警、政治反动、毒品、民族宗教和违法违规)和22个小类,并依据其风险水平进一步划分为8个严重风险子类和14个一般风险子类。在此基础上,利用图像增强和特征词提取等技术方法构建了一个可用于识别内容安全风险商品的特征库,用于训练面向电商内容安全风险管控的CSCFR算法。最后,通过设计和实施严格的对照实验,证明了CSCFR算法的有效性。

6.2 研究意义

1)理论价值。算法伦理是情报学研究领域的前沿问题,相关文献从信息质量、信息茧房、算法优化、信息安全等视角展开较多研究,但是现有与协同过滤推荐算法CFR优化有关的研究缺少对于内容安全风险管控这一重要信息伦理问题的考察。本文主要贡献:①通过定性与定量相结合的混合研究方法,对内容安全风险商品的定义、外在表现形式、特点、分类和风险程度进行了系统界定,为后续识别和处理内容安全风险商品划定了边界。②借助图像增强和特征提取等技术初步构建了一个用于识别内容安全风险商品的多模态特征库。研究人员可在此基础上结合具体应用场景进一步对其进行扩展和复用,为后续识别和处理内容安全风险商品奠定了基础。③提出一种侧重于应对内容安全风险的CSCFR算法,在降低算法内容安全风险的同时,也在一定程度上提升了算法性能,可为以后CFR算法优化研究提供参考。

2)现实意义。本文的成果可为希望改善CFR算法内容安全风险问题的政策制定者和电商推荐服务提供者提供参考,并具有向文献信息推荐、网络信息治理等其他领域迁移的潜力。推荐服务提供者在进行CFR算法的设计与应用时,应结合具体场景,平衡好算法内容安全风险、算法性能和数据稀疏性之间的关系,而不应一味追求算法性能,因为这可能导致更高的内容安全风险。为此,可以根据本研究给出的内容安全风险商品的定义、外在表现形式、特征和分类等,运用CSCFR算法,依次对评分矩阵进行内容安全风险商品的识别与剔除、用户聚类和商品推荐。

3)局限性和未来研究方向。①本文实验数据为定向爬虫在某知名电商平台采集的真实数据,虽然从中随机生成了3个实验数据集并进行3次重复实验,但考虑到电商平台的商品经营类目和目标用户群体等存在差异,本文的主要成果可能在其他电商平台上的实用性有限。因此,未来的研究可能会采集多个电商平台的真实数据,以验证成果的科学性和实用性。②本文用于识别内容安全风险商品的相关算法模型(VGGNet16, HTCBOW等)能够帮助服务推荐商在CFR算法内容安全风险问题上采取切实可行的应对措施,但仍存在优化空间。因此,未来的研究可能会将现有算法替换为性能更优的算法,如将VGGNet16替换为ResNet50,HTCBOW替换为Bert等,以进一步提升内容安全风险商品的识别效果。同时,本文所构建的多模态特征库可在实际使用过程中进行丰富与完善。如增加分类数、扩大数据量等,并可基于线上问卷或线下用户实验方式[45]不定期对算法推荐结果进行评价,及时对特征库和推荐算法进行调整。

参考文献

[1]    Esteban A, Zafra A, Romero C.Helping university students to choose elective courses by using a hybrid multi-criteria recommendation system with genetic optimization[J].Knowledge-Based Systems,2019,194:105385.

[2]    Huang Xiken, Lu Ruqian.An evolving network model with information filtering and mixed attachment mechanisms[J].Physica A: Statistical Mechanics and its Applications,2019,545:123421.

[3]    Tian  Yonghong, Zheng Bing, Wang Yanfang, Zhang Yue, Wu Qi.College library personalized recommendation system based on hybrid recommendation algorithm[J].Procedia CIRP,2019,83:490-494.

[4]    Li Jianjiang, Zhang Kai, Yang Xiaolei, Wei Peng, Wang Jie, Mitra K, Ranjian R.Category preferred canopy–K-means based collaborative filtering algorithm[J].Future Generation Computer Systems,2019,93:1046-1054.

[5]    Jakomin M, Bosnic Z, Curk T.Simultaneous incremental matrix factorization for streaming recommender systems[J].Expert Systems with Applications,2020,160:113685.

[6]    Billsus D, Pazzani M J. Learning collaborative information filters[A]. Proceedings of the Icml[C]. Wisconsin: AAAI-98, 1998:46-54.

[7]    Afoudi Y, Lazaar M, Al Achhab M. Hybrid recommendation system combined content-based filtering and collaborative prediction using artificial neural network[J].Simulation Modelling Practice and Theory,2021,113:102375.

[8]    王红霞, 陈健, 程艳芬.采用评论挖掘修正用户评分的改进协同过滤算法[J].浙江大学学报(工学版),2019,53(3):522-532.

[9]    Hammou B, Lahcen A, Mouline S. An effective distributed predictive model with Matrix factorization and random forest for Big Data recommendation systems[J].Expert Systems with Applications,2019,137:253-265.

[10] Li Kangkang, Zhou Xiuze, Lin Fan, Zeng Wenhua, Wang Beizhan, Alterovitz G.Sparse online collaborative filtering with dynamic regularization[J].Information Sciences,2019,505:535-548.

[11]  Zhao Yaodong, Cai Shimin, Tang Ming, Shang Minsheng.Coarse cluster enhancing collaborative recommendation for social network systems[J].Physica A: Statistical Mechanics and its Applications,2017,483:209-218.

[12] Feng Yong, Han Xiaolong, Fu Chenping, Wang Rongbing, Xu Hongyan.Commodity recommendation method integrating user trust and brand recognition[J].Journal of Computer Applications,2018,38(10):2886-2891.

[13] Zhang Xiaofeng, Liu Huijie, Chen Xiaoyun, Zhong Jingbin, Wang Di.A novel hybrid deep recommendation system to differentiate user’s preference and item’s attractiveness[J].Information Sciences,2020,519:306-316.

[14] Badsha S, Yi X, Khalil I, et al. Privacy preserving user-based recommender system[A]. Proceedings of the 2017 IEEE 37th International Conference on Distributed Computing Systems (ICDCS)[C]. IEEE, 2017:10174-1083.

 [15]        Melchiorre A B, Rekabsaz N, Parada-Cabaleiro E, et al. Investigating gender fairness of recommendation algorithms in the music domain[J].Information Processing & Management,2021,58(5):102666.

[16] Symeonidis P, Coba L, Zanker M.Counteracting the filter bubble in recommender systems: novelty-aware matrix factorization[J].Intelligenza Artificiale,2019,13(1):37-47.

[17] Sattes S O T U.Algorithmic Accountability Act[EB/OL]. [2022-03-03].https://www.wyden.senate.gov/.

[18] 中研院法律所.加拿大公部门采用自动决策系统工具前必须完成演算影响评估[EB/OL]. [2022-03-03].https://infolaw.iias.sinica.edu.tw/?p=1606/.

[19] EU.White paper on artificial intelligence - a European approach to excellence and trust[EB/OL]. [2020-03-03].https://ec.europa.eu/info/sites/default/files/commission-white-paper-artificial-intelligence-feb2020_en.pdf.

[20] 中国网信网.互联网信息服务算法推荐管理规定[EB/OL].[2020-03-03].https://www.samr.gov.cn/xw/mtjj/202201/t20220104_338828.html.

[21] 人民日报.网售违禁物品屡禁不止多头监管存在管理盲区[EB/OL].[2022-03-04].http://news.iqilu.com/china/gedi/2016/0722/2918577.shtml.

[22] 亿恩跨境电商新媒体.亚马逊上这款儿童玩具中枪,德国发起禁售请愿[EB/OL].[2022-3-4].https://www.amz123.com/thread-15814.htm.

[23] WEMONEY.淘宝禁售虚拟货币商品:封杀区块链宠物、ICO相关服务[EB/OL].[2022-03-04].https://www.sohu.com/a/227967839_104421.

[24] 央视网新闻.京东下架电子烟电子烟禁止网售的真实原因是什么?[EB/OL].[2022-03-04].https://news.e23.cn/wanxiang/2019-11-06/2019B0600042.html.

[25] 跨境知道.跨境知道快讯:eBay授权监管机构对被禁止的物品进[EB/OL].[2022-03-04].https://www.ikjzd.com/articles/145611.

[26] Shrestha Y R, Krishna V, Von Krogh G.Augmenting organizational decision-making with deep learning algorithms: principles, promises, and challenges[J].Journal of Business Research,2021,123:588-603.[27]   李静辉.算法推荐意识形态属性的生成逻辑、风险及治理[J].理论导刊,2022(2):70-76.

[28] 梅帅.智能算法推荐的社会风险及其法律规制[J].科学·经济·社会,2022,40(1):80-96.

[29] Abul-Fottouh D, Song M Y, Gruzd A.Examining algorithmic biases in YouTube’s recommendations of vaccine videos[J].International Journal of Medical Informatics,2020,140:104175.

[30] Natarajan S, Vairavasundaram S, Natarajan S, et al.Resolving data sparsity and cold start problem in collaborative filtering recommender system using linked open data[J].Expert Systems with Applications,2020,149:113248.

[31] Haesevoets T, De Cremer D, Dierckx K, Van Hiel A.Human-machine collaboration in managerial decision making[J].Computers in Human Behavior,2021,119:106730.

[32] 王芳, 祝娜, 翟羽佳.我国情报学研究中混合方法的应用及其领域分布分析[J].情报学报,2017,36(11):1119-1129.

[33] Nicholson M, Clarke I, Blakemore M. One brand, three ways to shop': situational variables and multichannel consumer behaviour[J].The International Review of Retail, Distribution and Consumer Research,2002,12(2):131-148.

[34] Venugopal V, Sahoo S, Zaki M, et al.Looking through glass: knowledge discovery from materials science literature using natural language processing[J].arXiv preprint arXiv:210101508,2021.

 [35]        王建仁, 马鑫, 段刚龙, 薛宏全.边缘智能背景下的手写数字识别[J].计算机应用,2019,39(12):3548-3555.

[36] Simonyan K, Zisserman A.Very deep convolutional networks for large-scale image recognition[J].arXiv preprint arXiv:14091556,2014.

[37] Zhu Yong, Li Guangpeng, Wang Rui, Tang Shengnan, Su Hong, Cao Kai.Intelligent fault diagnosis of hydraulic piston pump combining improved LeNet-5 and PSO hyperparameter optimization[J].Applied Acoustics,2021,183:108336.

[38] Xu Zhenyi, Cao Yang, Kang Yu.Deep spatiotemporal residual early-late fusion network for city region vehicle emission pollution prediction[J].Neurocomputing,2019,355:183-199.

[39] Anitha P, Patil M M.RFM model for customer purchase behavior using K-Means algorithm[J].Journal of King Saud University-Computer and Information Sciences,2019,34(5):1795-1792.

[40] 胡潜, 林鑫.社会化标注系统中基于标签和项目的兴趣建模比较研究[J].情报学报,2015,34(12):1296-1303.

[41] Li Chenglong, Wang Zhaoguo, Cao Shoufeng, He Longtao.WLRRS: a new recommendation system based on weighted linear regression models[J].Computers & Electrical Engineering,2018,66:40-47.

[42] 潘家辉, 何志鹏, 李自娜, 梁艳, 邱丽娜.多模态情绪识别研究综述[J].智能系统学报,2020,15(4):633-645.

[43] 李霞, 卢官明, 闫静杰, 张正言.多模态维度情感预测综述[J].自动化学报,2018,44(12):2142-2159.

[44] Zhang Yingyi, Zhang Chengzhi, Li Jing.Joint modeling of characters, words, and conversation contexts for microblog keyphrase extraction[J].Journal of the Association for Informaton Science and Technology,2020,71(5):553-567.

[45] Wu Zongda, Li Renchao, Zhou Zhifeng, Guo Junfang, Jiang Jionghui, Ss Xinning.A user sensitive subject protection approach for book search service[J]. Journal of the association for informaton science and technology,2020,71(2):183-195.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/224479.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

CSS新手入门笔记整理:CSS3弹性盒模型

特点 子元素宽度之和小于父元素宽度&#xff0c;所有子元素最终的宽度就是原来定义的宽度。子元素宽度之和大于父元素宽度&#xff0c;子元素会按比例来划分宽度。在使用弹性盒子模型之前&#xff0c;必须为父元素定义“display:flex;”或“display:inline-flex;”。 弹性盒子…

力扣题目学习笔记(OC + Swift)21. 合并两个有序链表

21. 合并两个有序链表 将两个升序链表合并为一个新的 升序 链表并返回。新链表是通过拼接给定的两个链表的所有节点组成的。 链表解题经典三把斧&#xff1a; 哑巴节点栈快慢指针 此题比较容易想到的解法是迭代法&#xff0c;生成哑巴节点&#xff0c;然后迭代生成后续节点。…

【C++】string

文章目录 1. 标准库中的string类1.1 string类 2 string类的常用接口说明2.1 string类对象的常见构造2.2 string类对象的容量操作2.3. string类对象的访问及遍历操作2.4 string类对象的修改操作2.5 string类非成员函数2.6 vs和g下string结构的说明 1. 标准库中的string类 1.1 s…

Redis缓存穿透、缓存击穿、缓存雪崩介绍

一、Redis的缓存穿透 1.什么是缓存穿透&#xff1f; 缓存穿透是指&#xff1a;客户端请求的数据在缓存中和数据库中都不存在&#xff0c;这时缓存就永远不会生效&#xff0c;这些请求都打到数据库从而导致数据库压力过大。 2.出现缓存穿透的解决方案&#xff0c;以下是常用的两…

Matlab仿真2ASK/OOK、2FSK、2PSK、QPSK、4QAM在加性高斯白噪声信道中的误码率与归一化信噪比的关系

本文为学习所用&#xff0c;严禁转载。 本文参考链接 https://zhuanlan.zhihu.com/p/667382398 QPSK代码及高斯白噪声如何产生 https://ww2.mathworks.cn/help/signal/ref/butter.html 滤波器 https://www.python100.com/html/4LEF79KQK398.html 低通滤波器 本实验使用matlab仿…

Node.js(二)-模块化

1. 模块化的基本概念 1.1 什么是模块化 模块化是指解决一个复杂问题时&#xff0c;自顶向下逐层将系统拆分成若干模块的过程。对于整个系统来说&#xff0c;模块是可组合、分解和更换的单元。 1.2 编程领域中的模块化 编程领域中的模块化&#xff0c;就是遵守固定的规则&…

解决log4j多个日志都写到一个文件

之前客户端程序由于Websockt包依赖的log4j&#xff0c;就用log4j写日志了&#xff0c;Web用的log4j2没毛病。用log4j的多个logger的日志都写到一个文件里了&#xff0c;查了很多资料都没解决。今天闲了解决一下。 最后好使的配置 # 设置日志根 log4j.rootLogger INFO,Except…

谷歌Gemini造假始末

&#x1f4a1;大家好&#xff0c;我是可夫小子&#xff0c;《小白玩转ChatGPT》专栏作者&#xff0c;关注AIGC、读书和自媒体。 在过去一年中&#xff0c;OpenAI ChatGPT引发了一股AI新浪潮&#xff0c;而谷歌则一直处于被压制的状态&#xff0c;迫切需要一款现象级的AI产品来…

Mysql(2)

目录 一.外键约束属性 创建主键表&#xff1a; ​编辑 创建外键表&#xff1a; 插入数据&#xff0c;先插入主表在插入外表&#xff1a; 删数数据记录时&#xff0c;要先从表再主表&#xff1a; 删除外键属性&#xff1a; 二.数据库的用户权限管理 看数据库中的用户&a…

Flutter详解及案例代码

概念 Flutter是由Google开发的开源UI框架&#xff0c;旨在快速构建高质量的移动应用程序。与传统的移动应用开发方式不同&#xff0c;Flutter使用单一代码库构建应用程序&#xff0c;可以同时在iOS和Android上运行。 Flutter的核心是使用Dart语言编写的&#xff0c;并且具有自…

C语言操作符if语句好习惯 详解分析操作符(详解4)

各位少年&#xff1a; 前言 还记得我们上一章讲过一个比较抽象的代码&#xff0c;它要比较两次都是真的情况下才能打印&#xff0c;那么很显然这样写代码是有弊端的&#xff1f;哪我们C语言之父丹尼斯.里奇&#xff0c;先介绍一下上次拉掉了if语句的好习惯 好再分享一些操作符…

大数据Doris(三十九):Duplicate 模型中的 ROLLUP

文章目录 Duplicate 模型中的 ROLLUP 一、前缀索引

SPFA算法总结

知识概览 SPFA算法是Bellman_Ford算法的优化。时间复杂度一般是O(m)&#xff0c;最坏时间复杂度是O(nm)&#xff08;遇到网格图、菊花图&#xff09;&#xff0c;其中n是点数&#xff0c;m是边数。SPFA算法其实是单源最短路限制最小的算法&#xff0c;只要图中没有负环&#xf…

C++ Qt开发:Charts绘制各类图表详解

Qt 是一个跨平台C图形界面开发库&#xff0c;利用Qt可以快速开发跨平台窗体应用程序&#xff0c;在Qt中我们可以通过拖拽的方式将不同组件放到指定的位置&#xff0c;实现图形化开发极大的方便了开发效率&#xff0c;本章将重点介绍TreeWidget与QCharts的常用方法及灵活运用。 …

Java之Synchronized与锁升级

Synchronized与锁升级 一、概述 在多线程并发编程中 synchronized 一直是元老级角色&#xff0c;很多人都会称呼它为重量级锁。但是&#xff0c;随着 Java SE 1.6 对 synchronized 进行了各种优化之后&#xff0c;有些情况下它就并不那么重了。 本文详细介绍 Java SE 1.6 中为…

《运维人员的未来:IT界的“万金油“如何继续闪耀光芒》

文章目录 每日一句正能量前言35岁被称为运维半衰期&#xff0c;究竟为何&#xff1f;如何顺利过渡半衰期运维的职业发展路径后记 每日一句正能量 凡事顺其自然&#xff0c;遇事处于泰然&#xff0c;得意之时淡然&#xff0c;失意之时坦然&#xff0c;艰辛曲折必然&#xff0c;历…

详解Java反射机制reflect(一学就会,通俗易懂)

1.定义 #2. 获取Class对象的三种方式 sout(c1)结果为class com.itheima.d2_reflect.TestClass 获取到了Class对象就相当于获取到了该类 2.获取类的构造器 3.获取全部构造器对象 2.根据参数类型获取构造器对象 类型后必须加.class 3.构造器对象调用构造器方法 4.暴力访问 4.获…

Maven私服

1 Maven私服简介 Maven 私服是一种特殊的Maven远程仓库&#xff0c;它是架设在局域网内的仓库服务&#xff0c;用来代理位于外部的远程仓库&#xff08;中央仓库、其他远程公共仓库&#xff09;。 1.1 下载构件顺序 建立私服后&#xff0c;当局域网内的用户需要某个构件时&a…

图灵日记之java奇妙历险记--输入输出方法数组

目录 输入输出输出到控制台从键盘输入使用 Scanner 读取字符串/整数/浮点数使用 Scanner 循环读取 猜数字方法方法定义方法调用的执行过程实参和形参的关系(重要)方法重载 数组数组的创建数组的初始化动态初始化静态初始化 数组的使用元素访问遍历数组 数组是引用类型null数组应…

esp32-s3训练自己的数据进行目标检测、图像分类

esp32-s3训练自己的数据进行目标检测、图像分类 一、下载项目二、环境三、训练和导出模型四、部署模型五、存在的问题 esp-idf的安装参考我前面的文章&#xff1a; esp32cam和esp32-s3烧录human_face_detect实现人脸识别 一、下载项目 训练、转换模型&#xff1a;ModelAssist…