比赛冠军技术方案及在美团的实践 141 KDD Cup 2020 多模态召回比赛亚军方案与搜索业务应用 161 CIKM 2020 | 一文详解美团 6 篇精选论文 179 MT-BERT 在文本检索任务中的实践 192 美团无人车引擎在仿真中的实践 204 美团无人配送 CVPR2020 论文 CenterMask 解读 215 WSDM Cup 2020 检索排序评测任务第一名经验总结 } ], "default_value": -1 } 通过以上配置，一个模型可以通过特征名和 Transformer 的组合清晰地表达。因此， 模型与特征都只是一段纯文本配置，可以保存在外部，Augur 在需要的时候可以动态 的加载，进而实现模型和特征的上线配置化，无需编写代码进行上线，安全且高效。 其中，我们将输入模型的特征名（tf_input_name）和原始特征名（name）做了区分。 ）来完成下游的 NLP 任务（文本分类、序列标注、句间关系判断和机器阅读理解等）。美团 AI 平台搜 索与 NLP 部算法团队基于美团海量业务语料训练了 MT-BERT 模型，已经将 MT- BERT 应用到搜索意图识别、细粒度情感分析、点评推荐理由、场景化分类等业务场 景中 [2]。 作为 BERT 的核心组成结构，Transformer 具有强大的文本特征提取能力，早在多 项 NLP

Decoupled Head 在 YOLOv6 中，我们采用了解耦检测头（Decoupled Head）结构，并对其进行了 精简设计。原始 YOLOv5 的检测头是通过分类和回归分支融合共享的方式来实现的， 而 YOLOX 的检测头则是将分类和回归分支进行解耦，同时新增了两个额外的 3x3 的卷积层，虽然提升了检测精度，但一定程度上增加了网络延时。 因此，我们对解耦头进行了精简设计，同时综合考虑到相关算子表征能力和硬件上计 1.3% AP。 SIoU 边界框回归损失 为了进一步提升回归精度，YOLOv6 采用了 SIoU[9] 边界框回归损失函数来监督网络 的学习。目标检测网络的训练一般需要至少定义两个损失函数：分类损失和边界框回 归损失，而损失函数的定义往往对检测精度以及训练速度产生较大的影响。 近年来，常用的边界框回归损失包括 IoU、GIoU、CIoU、DIoU loss 等等，这些损 失函数通过考 7.4%，在实际工程中基本不可用。而 YOLOv6s_repopt 网络的量化模型精度为 40.9%，精度损失仅为 1.5%，相比原版 模型有了极大的改善。 表 1 使用 RepOpt 在标准分类和检测任务上的 INT8 精度提升 2.1.3 RepOpt 版本的 QAT 此外，使用 RepOpt 结构解决了原本的 RepVGG 网络无法直接使用现有量化感知训 练的问题。对于结构重参数化的

. . . 98 9.4.1 标准输入/输出概述 . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 9.4.2 标准输入/输出的分类 . . . . . . . . . . . . . . . . . . . . . . . . . . 98 9.4.3 读取控制台输入的传统方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 10 集合与映射 111 10.1 集合概念及分类 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 10.1.1 集合和数组 . . . . . . . 150 12.1 异常的概念及分类 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 12.1.1 什么是异常 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 12.1.2 Java 异常分类 . . . . . . . .

Knowledge Graph – 智慧搜索 本页PPT借鉴于复旦大学肖仰华老师《大数据时代的知识工程与知识管理》  精准搜索意图理解 • 精准分类 • 语义理解 • 个性化  Why knowledge graphs? • 表格、文本、图片、视频 • 文案、素材、代码、专家  多粒度搜索 • 篇章级、段落级、语句级  跨媒体搜索 • 不同媒体数据联合完成搜索任务 一切皆可搜索，搜索必达 半结构化的数据（工业界常用） • 非结构化的数据（学术界常用）  知识抽取 • 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） large-scale KG construction 信息抽取方法相对简单，数据噪声小，经过人工过滤 后能够得到高质量的三元组事实。 涉及的NLP分析与处理技术，难度较大。互联网的更 多信息都是以非结构化的文本形式存在的。  基于模板的关系抽取 e.g., 用以下模板表示收购关系（acquisition） X is acquired by Y X is purchased by Y X is bought

中把不同的数据源与程序间的数据传输都抽象表述为 流，java.io 包中定义了多种 I/O 流类型实现数据 I/O 功能。 大纲 Java I/O 原理 基础 I/O 流 常用 I/O 流类型 I/O 应用 Java I/O 流的分类 O 按照数据流动的方向 Java 流可分为输入流（Input Stream）和输出流（Output Stream）。 ▶ 输入流只能从中读取数据，而不能向其写出数据； ▶ 输出流则只能向其写出数据，而不能从中读取数据。 输出流则只能向其写出数据，而不能从中读取数据。 ▶（特例 java.io.RandomAccessFile 类） 大纲 Java I/O 原理 基础 I/O 流 常用 I/O 流类型 I/O 应用 Java I/O 流的分类 O 根据数据流所关联的是数据源还是其他数据流 可分为节点流（Node Stream）和处理流（Processing Stream）。 ▶ 节点流直接连接到数据源； ▶ 处理流是对一个已存在的流的连接和封装，通过所封装的流 节点流FileReader 处理流BufferedReader readLine() 节点流与处理流的连接 大纲 Java I/O 原理 基础 I/O 流 常用 I/O 流类型 I/O 应用 Java I/O 流的分类 O 按传输数据的“颗粒大小” 可分为字符流（Character Stream）和字节流（Byte Stream）。 ▶ 字节流以字节为单位传输数据，每次传送一个或多个字节。 ▶ 字符流以字

工程选项文件，扩展名为 .dof（Delphi）或 .kof（Kylix） 窗体文件或者是一个文本文件，或者是一个编译的资源文件，资源文件能包含位图、字符串等等。 每个窗体文件表示一个窗体，通常对应于程序中的一个窗口或对话框。IDE 允许以文本方式察看和编辑 窗体文件，并且能以文本或二进制格式保存它。虽然默认是以文本方式保存窗体，但通常不要手动编辑 它，更常用的方式是使用 Borland 提供的可视化设 于运算数的中间（比如，A＝7）。 一些运算符的行为因为传给它们的数据类型不同而不同。比如，not 运算符用于整数时，是对它的 位进行求反运算，而对布尔类型进行逻辑非运算。这类运算符会在后面的多个分类中出现。 除了 ^ ，is 和 in，其它运算可应用在 Variant 类型上。 接下来的章节假设你对 Object Pascal 的数据类型有一定了解。 Syntactic elements ariant）、记录中的变体部分（Variant parts in records）和绝对地址变量。 About types（关于类型） 有几种对 Object Pascal 数据类型进行分类的方法： 有些类型是内置的，编译器能自动识别，不必对它们进行声明。本语言参考中的几乎所有类型都是内置 的；其它类型要通过声明来创建，它们包括用户自定义的类型以及在产品库（是 VCL 库吗？）中定义的

各种数据样式： • Log、Tracking、Event；Metrics、IoT data；⽹网络数据； • ⽂文本、⼯工单、知识库；API；代码等 • ⼤大数据的3V（容量量、变化、种类） 数据类型⽐比较 数据类型与⽐比较 ⽇日志 Tracking 指标 ⽂文本 数据格式 ⾮非结构化 半结构化，数据关联 结构化（聚集） ⾮非结构化 数据量量 ⼤大 较⼤大 ⼀一般到极⼤大（IoT) 加⼯工难度 较难 ⼀一般 简单 较难 价值 ⾼高（尤其安全） ⾼高 随着时间推移变低 ⽐比较⾼高 数据之间的重叠 数据中台的处理理 • 海海量量多样数据的存储/索引： • 时序指标数据、⽂文本数据、⽇日志、⽹网络数据、Tracking等 • 各种分析的⽀支持： • 流式分析：流式或微批实时处理理 • 统计关联分析：多维度的实时关联统计与分析⽀支持，⽀支持交互式add-hoc⽅方式 增强点 描述 统计性分析 基于IT实体与数据，在单维、多维变量量上的关联、聚类、分类和推断。 ⾃自动模式发现与预测 基于历史数据⾃自动探索出数学与结构化模式，并⽤用于各种可能维度的预测。 异常检测 基于模式识别正常⾏行行为与异常⾏行行为。 根因判断 修剪⽹网络并提供有效问题的关系链接。 规范性建议 对问题进⾏行行分类，并基于过去⽅方案提供有效建议。 拓拓扑 提供拓拓扑能⼒力力强化上下⽂文与前述的准确度

���������������������������������������������������������������������������������������������� ��� 分类��������������������������������������������������������������������������������������������������� ��������������������������� ��� 分类和多重分类�������������������������������������������������������������������������������������������������������������������� ��� 静态和动态分类��������������������������������� ���������������������������������������������������������������������������������������������� ��� 分类���������������������������������������������������������������������������������������������������

Watchlist 部署到互联网上，让任何人都可以 访问。 讨论与反馈 如果你有任何疑问和想法，欢迎通过下面的方式提出： 在 HelloFlask 论坛发布帖子，并选择“Flask 入门教程”分类。 在专栏对应的连载文章下面撰写评论。 在源码仓库创建 Issue。 相关资源 本书主页：http://helloflask.com/tutorial 本书论坛：https://discuss pipenv install python-dotenv 当 python-dotenv 安装后，Flask 会从项目根目录的 .flaskenv 和 .env 文件读取环 境变量并设置。我们分别使用文本编辑器创建这两个文件，或是使用更方便的 touch 命令创建： $ touch .env .flaskenv 第 2 章：Hello, Flask! 17 .flaskenv 用来存储 面。因为我们的程序是动态的，页面中的某些信息需要根据不同的情况来进行调 整，比如对登录和未登录用户显示不同的信息，所以页面需要在用户访问时根据程 序逻辑动态生成。 我们把包含变量和运算逻辑的 HTML 或其他格式的文本叫做模板，执行这些变量替 换和逻辑计算工作的过程被称为渲染，这个工作由我们这一章要学习使用的模板渲 染引擎——Jinja2 来完成。 按照默认的设置，Flask 会从程序实例所在模块同级目录的

全面的学习 资源。本书通过对官方的在线文档、名人博客、书籍、相关文章以及演讲的资料收集和整理，并结合我自 身在软件工程、编程语言和数据库开发的授课经验，将这些零碎的知识点组织成系统化的概念和技术分类 来进行讲解。 随着软件规模的不断扩大，诸多的学者和谷歌的开发者们在公司内部的软件开发过程中开始经历大量的挫 折，在诸多问题上都不能给出令人满意的解决方案，尤其是在使用 C++ 来开发大型的服务端软件时，情 Go 语言的官方网站是 golang.org，这个站点采用 Python 作为前端，并且使用 Go 语言自带的工具 godoc 运行在 Google App Engine 上来作为 Web 服务器提供文本内容。在官网的首页有一个功能叫做 Go Playground，是一个 Go 代码的简单编辑器的沙盒，它可以在没有安装 Go 语言的情况下在你的浏览 器中编译并运行 Go，它提供了一些示例，其中包括国际惯例 语言一个非常好的目标就是实现所谓的复杂事件处理（CEP），这项技术要求海量并行支持，高度的抽 象化和高性能。当我们进入到物联网时代，CEP 必然会成为人们关注的焦点。 但是 Go 语言同时也是一门可以用于实现一般目标的语言，例如对于文本的处理，前端展现，甚至像使用 脚本一样使用它。 值得注意的是，因为垃圾回收和自动内存分配的原因，Go 语言不适合用来开发对实时性要求很高的软 件。 越来越多的谷歌内部的大型分布式应用程序都开始使用