## Python for Good >>> PyCon China 2022 Python分析alpha vaults策略 主讲人：代少飞－量化开发 Python  HELLO WORLD ## 个人简介 主要从事量化开发相关工作 8.6 days ## 大纲 一、策略介绍 二、部署开发 三、使用说明 四、策略回测 ## 策略介绍 资金量有一定规模，进出中心化交易所，比较费力 第一个上线的 Uniswap v3 LP 策略 Uniswap v3 在 2021 年 5 月 5 日发布后两天，Charm 部署了其第三款产品：Uniswap v3 LP 操作策略——Alpha Vault，并且已经被证明是非常成功的产品：利润比 last_price=1900 入参 last_price 为上一次调整的值 说明： 默认 gap0_alter 为 3.19%（看事例说明） ## 出参 true 为应该调整 false 为不应该调整 ## 策略回测 原理： 统计一段时间每小时呆在价格区间的命中率，暂时不考虑小时流动性 区间下沿价格 $ p_{-1} $ 区间上沿价格 $ p_{-u} $ 选取每小时平均值p作为参考，区间命中率

·2011年 百度电子商务事业部 ·有啊商城的开发 ·2010年毕业于中科院计算所 ## 美国点评 技术团队 ## Outline ·美团点评酒旅业务简介 ·基于用户画像的召回策略演进 ·基于L2R的排序策略优化 ·从海量大数据的离线计算到高并发在线服务的推荐引擎架构设计 ·推荐在美团点评酒旅的应用实践 ## 人工智能应用 |CriticalDigital World|CriticalPhysical 7ae6238e03c8/p13_6.jpg) ## 基于用户画像的召回策略演进 ## 热销策略 基于Deal所在城市统计分城市热销  |分类|场景|召回策略| |---|---|---| |本地需求|常驻城市=浏览城市 (北京人浏览北京)|当地用户购买的热销POI| p15_2.jpg)  ## 热销策略 ## ·精确统计POI销量 •Deal -> POI •POI售卖数据不准 •客户端埋点 ![Image](/uploads/documents/f/1/e/8/f1e81

基础篇：webpack 基础用法 03 | 基础篇：webpack 进阶用法 04 | 进阶篇：编写可维护的webpack 构建配置 05 | 进阶篇：webpack 构建速度和体积优化策略 06 | 原理篇：通过源码掌握webpack 打包原理 07 | 原理篇：编写 Loader 和插件 08 | 实战篇：React 全家桶 和webpack 开发商城项目 ## //huayang.qq.com/polyfill_service/v2/polyfill.min.js?unknown=polyfill&features=Promise,Map,Set ## 体积优化策略总结 Scope Hoisting Tree-shaking 公共资源分离 图片压缩 动态 Polyfill ## ☐ ☐ ☐ ☐ ## 扫码试看/订阅 《玩转webpack》

5_13.jpg) 对话机器人 ## “ ## RAG典型挑战和解决方案 ☐ 挑战一：向量召回不准确 挑战二：数据组织混乱丧失语义 ☐ 挑战三：多样化查询需求 ■ 挑战四：幻觉、胡说八道 ☐ 挑战五：定制化成本 数据加工 ☐ 文档结构识别 ☐ 文字加工 ☐ 数据库 多路召回 ☐ 融合排序 ## RAG引擎工作流程 LLM Answer 大模型答案 Prompt Template Template 提示模板 Query 问题 文档格式解析 文档格式转换 文档格式解析 文档布局解析 Cross Attentional Reranker 重排序 Recall 多路召回 Embedding 向量化 ANN 文档内容抽取 KnowledgeBase 知识库 规则引擎 句法模版 抽取引擎 模型系统 弹性模版 抽取引擎 开放域 抽取系统 跨模态文档 83数据系统Wind广发证券北京研究院中心 投资策略月报电力设备 |璞泰来|603659.SH|CNY|38.32|2021/10/28买入|198.8|2.363.55|16.24|10.79|38.71|30.06|17.0017.20|

比赛冠军技术方案及在美团的实践 113 ICRA 2020 轨迹预测竞赛冠军的方法总结 132 KDD Cup 2020 AutoGraph 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 解读 215 WSDM Cup 2020 检索排序评测任务第一名经验总结 225 美团内部讲座 | 清华大学莫一林：信息物理系统中的安全控制算法 235 KDD Cup 2020 多模态召回比赛季军方案与搜索业务应用 252 对话任务中的“语言－视觉”信息融合研究 267 ICDM 论文：探索跨会话信息感知的推荐模型 278 自然场景人脸检测技术实践 289 技术解析 | 服务及实验平台三大体系构成。在 AI 服务及实验平台中，模型训练平台 Poker 和在线预估框架 Augur 是搜索 AI 化的核心组件，解决了模型从离线训练到在线服务的一系列系统问题，极大地提升了整个搜索策略迭代效率、在线模型预估的性能以及排序稳定性，并助力商户、外卖、内容等核心搜索场景业务指标的飞速提升。 ![Image](/uploads/documents/4/2/c/4/42c4fbcf187d

在美团的量化部署实战 7 次 KDD Cup&Kaggle 冠军的经验分享：从多领域优化到 AutoML 框架 图神经网络训练框架的实践和探索 图技术在美团外卖下的场景化应用及探索 大规模异构图召回在美团到店推荐广告的应用 美团搜索粗排优化的探索与实践 美团外卖推荐情境化智能流量分发的实践与探索 大众点评搜索相关性技术探索与实践 美团 SemEval2022 结构化情感分析跨语言赛道冠军方法总结 度方面仍有很大的提升的空间。基于此，我们通过研究并借鉴了业界已有的先进技术，开发了一套新的目标检测框架——YOLOv6。该框架支持模型训练、推理及多平台部署等全链条的工业应用需求，并在网络结构、训练策略等算法层面进行了多项改进和优化，在 COCO 数据集上，YOLOv6 在精度和速度方面均超越其他同体量算法，相关结果如下图 1 所示： ![Image](/uploads/documents/5/b 模型的性能，从图中可以看到，YOLOv6 在不同分辨率下，仍然保持较大的性能优势。 ### 2. YOLOv6 关键技术介绍 YOLOv6 主要在 BackBone、Neck、Head 以及训练策略等方面进行了诸多的改进： - 我们统一设计了更高效的 Backbone 和 Neck：受到硬件感知神经网络设计思想的启发，基于 RepVGG style $ ^{[4]} $ 设计了可重参数化、更高效的骨干网络

运营人员在运营后台操作完成后，提交上线流程，流程发布后通过ZooKeeper的变化监控发送一个变化事件；SDK通过监听变化事件，拉取变化后的运营数据更新到本地。这里，为了防止这种监听机制失效，我们也做了一个兜底策略：每分钟定期进行一次数据同步。这样保证数据最迟一分钟内就能实现同步。对于SDK本地缓存，我们设计了监控上报机制，如下图所示： ![Image](/uploads/documents/3/5/e/a/ 0到1搭建美团DSP投放平台，具备丰富的大规模计算引擎的开发和性能优化经验。 霜霜，2015年6月加入美团，任职美团高级工程师，美团DSP系统后端基础架构与机器学习架构负责人，全面负责DSP业务广告召回和排序服务的架构设计与优化。 ## 招聘 美团在线营销DSP团队诚招工程、算法、数据等各方向精英，发送简历至cuitao@meituan.com，共同支持百亿级流量的高可靠系统研发与优化。 # Netty堆外内存泄露排查盛宴 ginx和ngx_lua扩展，主要提供服务注册与发现、动态负载均衡、可视化管理、定制化路由、安全反扒、session ID复用、熔断降级、一键截流和性能统计等功能。本文主要讲述Oceanus如何通过策略抽象、查询、渲染和分组动态更新，实现HTTP请求的定制化路由。 随着公司业务的高速发展，路由场景也越来越复杂。比如： 团购秒杀要灵活控制压测流量，实现线上服务单节点、各机房、各地域等多维度的压测。

a49fd8b2d598618d8439fe3a7db198e/p12_1.jpg) ✓多级异常容忍能力，自适应，层级化自治 · 动态参数，自适应 • 预测，online结合nearline召回 能屈能伸： ✓高效简化版本，实现过载兜底 ✓周边极致优化，无短板 Best Effort模式  ● 延迟&可用性要求 ## 约束条件固定 QPS总量 算子性能 ● 策略效果需求 ● 延迟&可用性要求  ● 并发数 ● TTL时间，超时等 ● 召回数, 截断数等  ## 自动调整系统参数 ● 各类算法策略参数 ![Image](/uploa

uments/f/1/c/a/f1ca8cb37f41524640eaf14dc4ec195d/p8_1.jpg) 我们的输入是什么？我们要怎么做？ 我们的输出是什么？ 游戏对局事件 策略：语音 / 标记 • Snapshot • 娱乐：三杀收下！ • Diff • 攻略：AKM 不适合新手 • 指导：我们去资源点搜刮吧 • 有理有据： 玩家位置 • 安全区 • 掉血10点 [Image](/uploads/documents/f/1/c/a/f1ca8cb37f41524640eaf14dc4ec195d/p11_1.jpg) 修改 ## 初始方案——Lua 方案 运营 - 变更困难，修改策略 = 修改代码 开发 - 代码低内聚，交接难度大 扩展 - 没有考虑扩展 功能 - 难以实现战略推荐 - 早期：先考虑有无 - 引入推荐系统  ## 系统思考——如何评判方案的好坏？ - 响应性能：获取事件到输出策略的延迟 - 服务器成本：每服务千人成本越低越好 - 运营简易度：设计新运营策略的难度 - 开发迭代：如需开发介入，那么功能迭代的速度 - 可解释性：理由是否能否说服玩家遵从建议 - 对用户价值：提升玩家体验 / 吃鸡率的帮助有多大

，在算法上提供从召回到排序的全系统优化方案，在工程上提供离线、近线、在线的全流程解决方案。 ## 目录 美团超大规模模型场景简介 - 超大规模机器学习MLX ✓ MLX平台目标 ✓ MLX平台架构 - 模型场景应用 召回模型 排序模型 ## 目录 美团超大规模模型场景简介 - 超大规模机器学习MLX ✓ MLX平台目标 MLX平台架构 模型场景应用 召回模型 排序模型 (仅限平日10:00-14: √百亿级别的训练数据 ✓千亿级别的模型特征 ✓秒级实时的模型反馈 ## 目录 美团超大规模模型场景简介 - 超大规模机器学习MLX ✓ MLX平台目标 ✓ MLX平台架构 模型场景应用 ✓ 召回模型 排序模型 ## 超大规模模型的有效性 ## • VC维理论 描述模型的学习能力：VC维越大模型越复杂，学习能力越强 ✓ 机器学习能力 = 数据 + 特征 + 模型 • 数据 ✓ 海量数据：美团的亿级用户、千万级POI 本； - 支持Online Learning，提供从近线到在线的模型数据通路； - 提供从召回到排序全流程的模型解决方案，为业务提供最佳实践； • 提供系统的平台化工具，为用户提供易用的界面操作； ## MLX平台架构 应用场景 | 推荐 | 搜索 | 广告 解决方案 | 排序模型 | 召回模型 | MLX | 参数服务器 | 模型计算引擎 | 训练Worker | 流式拼接框架