使用 Graphviz 绘画 UML 图 Milo Yip 2019/10/28 目录 1 简介 2 1.1 使用 Graphviz dot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 类图 4 2.1 继承 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3 状态图 18 4 参考 19 1 Chapter 1 简介 本文为开放文档，可在 GitHub 提交 issue ／ PR。本文的 PDF 版本可在 在此下 载。 Graphviz 是 AT&T 实验室开发的一个开源软件，它以一种文本语言去描述图（graph），然后 自动排布节点和边去生成图片。它已有近 30 年历史。 象设计的方法。其中 最常用的是类图（class diagram），用于表示类的构成以及类之间的关系。 利用 Graphviz 去生成 UML 类图有几个好处： 1. 用文本表示图，容易更新，容易做版本管理。 2. 能自动排布节点位置，在大型复杂的图特别方便。 3. 统一文档风格。 实际上，文档生成工具Doxygen 也是采用 Graphviz 生成类图的。不过，我们在软件设计中， 经

新一代分布式高性能图数据库的构建 北京海致星图科技有限公司 2023-06-18 沈游人 数据库与大数据专场 海致简介—企业级知识图谱开创者 专业顶尖技术团队支撑 超 700 人团队，其中 80% 为技术人员，创始团队在完成全球第一个中文知 识图谱网站研发后，探索知识图谱技术在企业领域的应用。 2021 年，海致院 士专家工作站成立，站内清华大学计算机博士生占比达 90% 以上。 专注于数据智能技术赋能中国数字经济发展 海致高性能图计算院士专家工作站 郑纬民 - 海致科技首席科学家 中国工程院院士、清华大学计算机科学与技术系教 授、中国计算机学会前理事长，中国计算机系统结构 的学科带头人，我国高性能计算和存储系统等方面的 泰斗和先行者。 2021 年 3 月 25 日，海致科技与清华大学计算机科学与技术系共同建设高性能图计算院士专家工作站 。 高性能图计算是高性能计算、图计算两项技术融合产生的新的技术方向，满足人们对更大规模、更复 术方向，满足人们对更大规模、更复 杂数据的实时处理和存储需求，是计算机领域竞争新战略制高点。 产学结合、协同创新，打造全球领先的国产自研图数据库 AtlasGraph ，培育世界级的图计算软硬件 生态体系，保持对全球科技竞争的战略均衡。 海致高性能图计算院士专家工作站 海致获得“ 2021 年 CCF 科学技术奖科技进步卓越奖” CCF 科学技术奖被认为是计算机科学与技术领域最具影响力的专业奖项之一，

Multi-Head Attention、Encoder-Decoder Attention 24 > 美团 2020 技术年货 和 FFN。具体结构如图 1 所示，其详细的介绍可参考文献 [1,6]。 图 1 Transformer 结构示意图 考虑到后续内容出现的 Transformer Layer 就是 Transformer 的编码层，这里先对 它做简单的介绍。它主要由以下两部分组成： 算法 Transformer Layer 进行特征的高阶组合。 模型结构 我们的模型结构参考 AutoInt[3] 结构，但在实践中，根据美团搜索的数据特点，我们 对模型结构做了一些调整，如下图 2 所示： 图 2 Transformer&Deep 结构示意图 算法 < 27 相比 AutoInt[3]，该结构有以下不同： ● 保留将稠密特征和离散特征的 Embedding 送入到 MLP 网络，以隐式的方式 Embedding 表示。 Transformer 部分：针对用户行为序列、商户 、品类 、地理位置等 Embedding 表示，使用 Transformer Layer 来显示学习这些特征的交叉关系。 MLP 部分：考虑到 MLP 具有很强的隐式交叉能力，将所有特征的 Embedding 表 示 concat 一起输入到 MLP。 实践效果及经验 效果：离线效果提升，线上 QV_CTR

��������������������������������������������������������������������������������������������� �� 顺序图���������������������������������������������������������������������������������������������������� ���������������������������������������������������������������������������������������������� ��� 关系��������������������������������������������������������������������������������������������������� �������������������������������������������������������������������������������������������� ��� 对象图����������������������������������������������������������������������������������������������������

Construction》 Knowledge Graph – KG引领KE复兴  Common large-scale KG Preliminaries 名称 开始时间 依赖资源 规模#（实体/概念/关系/ 事实） Cyc/OpenCyc 1984 专家知识 239,261/116,822/18,014/2,093,000 WordNet 1985 专家知识 155,287/117,659/18/- large-scale KG construction AI System = Knowledge + Reasoning  知识抽取 • 属性抽取 • 关系抽取 • 实体抽取  知识融合 • 知识合并 • 共指消解 • 实体消歧  知识加工 • 知识推理 • 质量评估 • 本体构建  知识更新 Pipeline of Knowledge Graph Construction 限定域关系抽取（判别的语义关系是预先定义的） 输入一个句子以及标识句子中所出现的实体指称的条件下，系统将其分类到所属的语义类别上（已有研 究常把这一任务看成是一个文本分类问题）。 • 开放域关系抽取（不需要预先定义关系，而是使用实体上下文中的一些词语来描述实体之间的关系） e.g., 在语句“姚明出身在上海”中，通过开放域关系抽取方法抽取出的结果为（姚明，出生于，上海）  限定域关系抽取 •

部有三个产品（Configserver 非持久注 册中心，VIPServer 持久化注册中心，Diamond 配置中心），是开源三个产品还是合成⼀个产品开 源；第三个问题是开源产品跟商业化产品的关系是什么，是否会削弱商业化产品的竞争力。围绕这 几个问题，我们吵到深夜两点。 前言 < 10 六点出海打渔，清晨冰冷的海风，摇曳的小船，撒出大网后我们忍受着寒冷，焦急和期望的等待着， 收网时刻只有⼀些小鱼小虾，当然还有螃蟹。 DNS（Dubbo+Nacos+Spring- cloud-alibaba/Seata/Sentinel）微服务最佳实践。 随着我们选择三合⼀的开源模式，又面临另外⼀个问题，未来内部和商业化关系是什么，代码关系 是什么？ 这个问题应该说⼀直持续，但是我们定下来开源、自研、商业化三位⼀体的战略，以开源为内核， 以商业化为扩展；开源做生态，商业化做企业级特性，阿里内部做性能和高可用；开源做组件，商 Nameserver：解决 Namespace 到 ClusterID 的路由问题，解决用户环境与 Nacos 物理环境 映射问题。  CMDB：解决元数据存储，与三方 CMDB 系统对接问题，解决应用，人，资源关系。  Metrics：暴露标准 Metrics 数据，方便与三方监控系统打通。  Trace：暴露标准 Trace，方便与 SLA 系统打通，日志白平化，推送轨迹等能力，并且可以和计 量计费系统打通。

城市强相关，这类运营资源往往是基于LBS类服务，每个活动、广告都只会出现在固定的某些城市（或区域）。 基础配置 基础配置 基础配置，常见的有入口资源的配置、网络的配置等。相对运营资源来说，其变更的频繁度相对较低，与 时间、城市的关系也没那么强。譬如下面大众点评App-我的页面里的入口。这类配置有如下几个特征： 1. 多维度：需要针对不同的版本、平台、渠道，做不同的配置。 2. 长期有效：这种类型的配置一般长期存在，不会存在过期问题。 一对多”的关系。 这里的内容，我们指的是如标题、图片、跳转链接等信息，虽然是“一对多”的关系，但最后在同一个城 市、同一个版本下（可选择）只显示一条内容。为什么有这样的需求？举一个简单的业务场景实例，以外 卖为例，在新版本10.0的时候做了一个全新的外卖频道页面，其链接信息与老版本的完全不同，这里我们 就需要按版本的不同配置两条不同的内容信息。 其次，节点与节点之间有两层关系，其一为“平 级关系”，如美食与外卖的关系，这种关系就是一种简单 的列表关系；其二为树关系（Tree），如外卖与下午茶之间的关系。这里我们将角标（下午茶）视为一 个节点，因为角标也需要按不同维度进行过滤，因此下午茶成了外卖的子节点。其实这里有一些特殊的地 方，如果角标不需要按城市、版本等维度进行运营，那很简单它就是一个内容信息（类似标题）。 最后，我们谈一谈排序问题，对于这么多品类，如何排序，他们的优先级是什么？我们需要定一个基本的

13 通用目标检测开源框架 YOLOv6 在美团的量化部署实战 17 7 次 KDD Cup&Kaggle 冠军的经验分享：从多领域优化到 AutoML 框架 37 图神经网络训练框架的实践和探索 66 图技术在美团外卖下的场景化应用及探索 83 大规模异构图召回在美团到店推荐广告的应用 102 美团搜索粗排优化的探索与实践 116 美团外卖推荐情境化智能流量分发的实践与探索 2022年美团技术年货 图 1-1 YOLOv6 各尺寸模型与其他模型性能对比 图 1-2 YOLOv6 与其他模型在不同分辨率下性能对比 算法 < 3 图 1-1 展示了不同尺寸网络下各检测算法的性能对比，曲线上的点分别表示该检测 算法在不同尺寸网络下（s/tiny/nano）的模型性能，从图中可以看到，YOLOv6 在精 度和速度方面均超越其他 YOLO 系列同体量算法。 图 1-2 展示了 等硬件来说，这种结构会一定程度上增加延时，同 时减小内存带宽利用率。下图 2 为计算机体系结构领域中的 Roofline Model[8] 介绍 图，显示了硬件中计算能力和内存带宽之间的关联关系。 4 > 2022年美团技术年货 图 2 Roofline Model 介绍图 于是，我们基于硬件感知神经网络设计的思想，对 Backbone 和 Neck 进行了重新 设计和优化。该思想基于硬件的特性、推理框架

PlantUML 语言参考指引 (Version 1.2023.11) PlantUML 是一个开源项目，支持快速绘制： • 时序图 • 用例图 • 类图 • 对象图 • 活动图 • 组件图 • 部署图 • 状态图 • 定时图 同时还支持以下非 UML 图: • JSON Data • YAML Data • Network diagram (nwdiag) • 线框图形界面 Relationship diagram 通过简单直观的语言来定义这些示意图。 1 序列图 1 序列图 使用 PlantUML 创建序列图非常简单。这种易用性主要归功于其语法的用户友好性，既直观又易记。 • 直观的语法： 首先，用户非常欣赏 PlantUML 所采用的简单直观的语法。这种经过深思熟虑的设计意味着，即使是图 表创建新手也能轻松快速地掌握基础知识。 • 文本与图形的关联： 另一个显著 性。 • 易于编辑和修改： 重要的是，编辑现有图表的过程非常简便。由于图表是由文本生成的，用户会发现进行调整比使用图形 工具修改图像要容易得多，也精确得多。 PlantUML 为创建和编辑序列图提供了一种简单明了、用户友好的方法，既能满足新手的需求，也能满 足经验丰富的设计人员的需求。它巧妙地利用文本输入的简便性来制作具有视觉描述性和准确性的图表， 从而使自己成为图表创建工具包中的必备工具。

.......................................................................................... 192 模块关系依赖 ................................................................................................ Authrizer：授权器，或者访问控制器，用来决定主体是否有权限进行相应的操作；即控制 着用户能访问应用中的哪些功能； Realm：可以有 1 个或多个 Realm，可以认为是安全实体数据源，即用于获取安全实体的； 可以是 JDBC 实现，也可以是 LDAP 实现，或者内存实现等等；由用户提供；注意：Shiro 跟我学 Shiro——http://jinnianshilongnian tion（登录失败次数过 多）、IncorrectCredentialsException （错误的凭证）、ExpiredCredentialsException（过期的 凭证）等，具体请查看其继承关系；对于页面的错误消息展示，最好使用如“用户名/密码 错误”而不是“用户名错误”/“密码错误”，防止一些恶意用户非法扫描帐号库； 2.6、最后可以调用 subject.logout 退出，其会自动委托给