当前位置： 首页 > news >正文

【Python使用】嘿马推荐系统全知识和项目开发教程第2篇：1.4 案例--基于协同过滤的电影推荐,1.5 推荐系统评估【附代码

news 来源：原创 2025/9/5 3:43:27

教程总体简介：1.1 推荐系统简介 学习目标 1 推荐系统概念及产生背景 2 推荐系统的工作原理及作用 3 推荐系统和Web项目的区别 1.3 推荐算法 1 推荐模型构建流程 2 最经典的推荐算法：协同过滤推荐算法（Collaborative Filtering） 3 相似度计算(Similarity Calculation) 4 协同过滤推荐算法代码实现： 二 根据用户行为数据创建ALS模型并召回商品 2.0 用户行为数据拆分 2.1 预处理behavior_log数据集 2.2 根据用户对类目偏好打分训练ALS模型 三 CTR预估数据准备 3.1 分析并预处理raw_sample数据集 1.3 Hadoop优势 4.4 大数据产品与互联网产品结合 4.5 大数据应用--数据分析 4.6 数据分析案例 5.3 HBase 的安装与Shell操作 1 HBase的安装 2.3 HDFS设计思路 4.3 Hive 函数 1 内置运算符 2 内置函数 3 Hive 自定义函数和 Transform MapReduce实战 3.3.1 利用MRJob编写和运行MapReduce代码 3.3.2 运行MRJOB的不同方式 3.3.3 mrjob 实现 topN统计（实验） spark-core RDD常用算子练习 3.1 RDD 常用操作 3.2 RDD Transformation算子 3.4 Spark RDD两类算子执行示意 3、JSON数据的处理 3.1 介绍 3.2 实践 3.1 静态json数据的读取和操作 5.4 HappyBase操作Hbase 4.4 hive综合案例 四 LR实现CTR预估 4.1 Spark逻辑回归(LR)训练点击率预测模型 4、数据清洗 5.6 HBase组件 1、sparkStreaming概述 spark-core实战 5.1通过spark实现ip地址查询 五 离线推荐数据缓存 5.1离线数据缓存之离线召回集 1.4 案例--基于协同过滤的电影推荐 1 User-Based CF 预测电影评分 3 spark 安装部署及standalone模式介绍 1 spark 安装部署 3 spark 集群相关概念 六 实时产生推荐结果 6.1 推荐任务处理 推荐系统基础 Hadoop Hive HBase Spark SQL 1.6 推荐系统的冷启动问题 2 处理推荐系统冷启动问题的常用方法 一 个性化电商广告推荐系统介绍 1.2 项目效果展示 1.3 项目实现分析 1.4 点击率预测(CTR--Click-Through-Rate)概念 资源调度框架 YARN 3.1.1 什么是YARN 3.1.2 YARN产生背景 3.1.3 YARN的架构和执行流程 基于回归模型的协同过滤推荐 基于矩阵分解的CF算法 基于矩阵分解的CF算法实现（二）：BiasSvd 基于内容的推荐算法（Content-Based） 基于内容的电影推荐：物品画像 基于TF-IDF的特征提取技术 基于内容的电影推荐：为用户产生TOP-N推荐结果 2、DataFrame 分布式处理框架 MapReduce 3.2.1 什么是MapReduce

完整笔记资料代码：https://gitee.com/yinuo112/Backend/tree/master/Python/嘿马推荐系统全知识和项目开发教程/note.md

感兴趣的小伙伴可以自取哦~

全套教程部分目录：

部分文件图片：

1.4 案例--基于协同过滤的电影推荐

学习目标

  • 应用基于用户的协同过滤实现电影评分预测
  • 应用基于物品的协同过滤实现电影评分预测

1 User-Based CF 预测电影评分

  • 数据集下载

  • 下载地址：[MovieLens Latest Datasets Small](

  • 建议下载[ml-latest-small.zip](

  • 加载ratings.csv，转换为用户-电影评分矩阵并计算用户之间相似度

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
import osimport pandas as pd
import numpy as npDATA_PATH = "./datasets/ml-latest-small/ratings.csv"dtype = {"userId": np.int32, "movieId": np.int32, "rating": np.float32}# 加载数据，我们只用前三列数据，分别是用户ID，电影ID，已经用户对电影的对应评分ratings = pd.read_csv(data_path, dtype=dtype, usecols=range(3))# 透视表，将电影ID转换为列名称，转换成为一个User-Movie的评分矩阵ratings_matrix = ratings.pivot_table(index=["userId"], columns=["movieId"],values="rating")#计算用户之间相似度user_similar = ratings_matrix.T.corr()
  • 预测用户对物品的评分 （以用户1对电影1评分为例）

评分公式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
# 1. 找出uid用户的相似用户similar_users = user_similar[1].drop([1]).dropna()# 相似用户筛选规则：正相关的用户similar_users = similar_users.where(similar_users>0).dropna()# 2. 从用户1的近邻相似用户中筛选出对物品1有评分记录的近邻用户ids = set(ratings_matrix[1].dropna().index)&set(similar_users.index)
finally_similar_users = similar_users.ix[list(1)]# 3. 结合uid用户与其近邻用户的相似度预测uid用户对iid物品的评分numerator = 0    # 评分预测公式的分子部分的值
denominator = 0    # 评分预测公式的分母部分的值
for sim_uid, similarity in finally_similar_users.iteritems():# 近邻用户的评分数据sim_user_rated_movies = ratings_matrix.ix[sim_uid].dropna()# 近邻用户对iid物品的评分sim_user_rating_for_item = sim_user_rated_movies[1]# 计算分子的值numerator += similarity * sim_user_rating_for_item# 计算分母的值denominator += similarity# 4 计算预测的评分值predict_rating = numerator/denominator
print("预测出用户<%d>对电影<%d>的评分：%0.2f" % (1, 1, predict_rating))
  • 封装成方法 预测任意用户对任意电影的评分
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
def predict(uid, iid, ratings_matrix, user_similar):
    '''
    预测给定用户对给定物品的评分值
    :param uid: 用户ID
    :param iid: 物品ID
    :param ratings_matrix: 用户-物品评分矩阵
    :param user_similar: 用户两两相似度矩阵
    :return: 预测的评分值
    '''print("开始预测用户<%d>对电影<%d>的评分..."%(uid, iid))# 1. 找出uid用户的相似用户similar_users = user_similar[uid].drop([uid]).dropna()# 相似用户筛选规则：正相关的用户similar_users = similar_users.where(similar_users>0).dropna()if similar_users.empty is True:raise Exception("用户<%d>没有相似的用户" % uid)# 2. 从uid用户的近邻相似用户中筛选出对iid物品有评分记录的近邻用户ids = set(ratings_matrix[iid].dropna().index)&set(similar_users.index)finally_similar_users = similar_users.ix[list(ids)]# 3. 结合uid用户与其近邻用户的相似度预测uid用户对iid物品的评分numerator = 0    # 评分预测公式的分子部分的值denominator = 0    # 评分预测公式的分母部分的值for sim_uid, similarity in finally_similar_users.iteritems():# 近邻用户的评分数据sim_user_rated_movies = ratings_matrix.ix[sim_uid].dropna()# 近邻用户对iid物品的评分sim_user_rating_for_item = sim_user_rated_movies[iid]# 计算分子的值numerator += similarity * sim_user_rating_for_item# 计算分母的值denominator += similarity# 计算预测的评分值并返回predict_rating = numerator/denominatorprint("预测出用户<%d>对电影<%d>的评分：%0.2f" % (uid, iid, predict_rating))return round(predict_rating, 2)
  • 为某一用户预测所有电影评分
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
def predict_all(uid, ratings_matrix, user_similar):
    '''
    预测全部评分
    :param uid: 用户id
    :param ratings_matrix: 用户-物品打分矩阵
    :param user_similar: 用户两两间的相似度
    :return: 生成器，逐个返回预测评分
    '''# 准备要预测的物品的id列表item_ids = ratings_matrix.columns# 逐个预测for iid in item_ids:try:rating = predict(uid, iid, ratings_matrix, user_similar)except Exception as e:print(e)else:yield uid, iid, rating
if __name__ == '__main__':for i in predict_all(1, ratings_matrix, user_similar):pass
  • 根据评分为指定用户推荐topN个电影
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
def top_k_rs_result(k):results = predict_all(1, ratings_matrix, user_similar)return sorted(results, key=lambda x: x[2], reverse=True)[:k]
if __name__ == '__main__':from pprint import pprintresult = top_k_rs_result(20)pprint(result)

2 Item-Based CF 预测电影评分

  • 加载ratings.csv，转换为用户-电影评分矩阵并计算用户之间相似度
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
import osimport pandas as pd
import numpy as npDATA_PATH = "./datasets/ml-latest-small/ratings.csv"dtype = {"userId": np.int32, "movieId": np.int32, "rating": np.float32}# 加载数据，我们只用前三列数据，分别是用户ID，电影ID，已经用户对电影的对应评分ratings = pd.read_csv(data_path, dtype=dtype, usecols=range(3))# 透视表，将电影ID转换为列名称，转换成为一个User-Movie的评分矩阵ratings_matrix = ratings.pivot_table(index=["userId"], columns=["movieId"],values="rating")#计算用户之间相似度item_similar = ratings_matrix.corr()
  • 预测用户对物品的评分 （以用户1对电影1评分为例）

评分公式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
# 1. 找出iid物品的相似物品similar_items = item_similar[1].drop([1]).dropna()# 相似物品筛选规则：正相关的物品similar_items = similar_items.where(similar_items>0).dropna()# 2. 从iid物品的近邻相似物品中筛选出uid用户评分过的物品ids = set(ratings_matrix.ix[1].dropna().index)&set(similar_items.index)
finally_similar_items = similar_items.ix[list(ids)]# 3. 结合iid物品与其相似物品的相似度和uid用户对其相似物品的评分，预测uid对iid的评分numerator = 0    # 评分预测公式的分子部分的值
denominator = 0    # 评分预测公式的分母部分的值
for sim_iid, similarity in finally_similar_items.iteritems():# 近邻物品的评分数据sim_item_rated_movies = ratings_matrix[sim_iid].dropna()# 1用户对相似物品物品的评分sim_item_rating_from_user = sim_item_rated_movies[1]# 计算分子的值numerator += similarity * sim_item_rating_from_user# 计算分母的值denominator += similarity# 计算预测的评分值并返回predict_rating = sum_up/sum_down
print("预测出用户<%d>对电影<%d>的评分：%0.2f" % (uid, iid, predict_rating))
  • 封装成方法 预测任意用户对任意电影的评分
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
def predict(uid, iid, ratings_matrix, user_similar):
    '''
    预测给定用户对给定物品的评分值
    :param uid: 用户ID
    :param iid: 物品ID
    :param ratings_matrix: 用户-物品评分矩阵
    :param user_similar: 用户两两相似度矩阵
    :return: 预测的评分值
    '''print("开始预测用户<%d>对电影<%d>的评分..."%(uid, iid))# 1. 找出uid用户的相似用户similar_users = user_similar[uid].drop([uid]).dropna()# 相似用户筛选规则：正相关的用户similar_users = similar_users.where(similar_users>0).dropna()if similar_users.empty is True:raise Exception("用户<%d>没有相似的用户" % uid)# 2. 从uid用户的近邻相似用户中筛选出对iid物品有评分记录的近邻用户ids = set(ratings_matrix[iid].dropna().index)&set(similar_users.index)finally_similar_users = similar_users.ix[list(ids)]# 3. 结合uid用户与其近邻用户的相似度预测uid用户对iid物品的评分numerator = 0    # 评分预测公式的分子部分的值denominator = 0    # 评分预测公式的分母部分的值for sim_uid, similarity in finally_similar_users.iteritems():# 近邻用户的评分数据sim_user_rated_movies = ratings_matrix.ix[sim_uid].dropna()# 近邻用户对iid物品的评分sim_user_rating_for_item = sim_user_rated_movies[iid]# 计算分子的值numerator += similarity * sim_user_rating_for_item# 计算分母的值denominator += similarity# 计算预测的评分值并返回predict_rating = numerator/denominatorprint("预测出用户<%d>对电影<%d>的评分：%0.2f" % (uid, iid, predict_rating))return round(predict_rating, 2)
  • 为某一用户预测所有电影评分
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
def predict_all(uid, ratings_matrix, item_similar):
    '''
    预测全部评分
    :param uid: 用户id
    :param ratings_matrix: 用户-物品打分矩阵
    :param item_similar: 物品两两间的相似度
    :return: 生成器，逐个返回预测评分
    '''# 准备要预测的物品的id列表item_ids = ratings_matrix.columns# 逐个预测for iid in item_ids:try:rating = predict(uid, iid, ratings_matrix, item_similar)except Exception as e:print(e)else:yield uid, iid, ratingif __name__ == '__main__':for i in predict_all(1, ratings_matrix, item_similar):pass
  • 根据评分为指定用户推荐topN个电影
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
def top_k_rs_result(k):results = predict_all(1, ratings_matrix, item_similar)return sorted(results, key=lambda x: x[2], reverse=True)[:k]
if __name__ == '__main__':from pprint import pprintresult = top_k_rs_result(20)pprint(result)

3

1.5 推荐系统评估

学习目标

  • 了解推荐系统的常用评估指标
  • 了解推荐系统的评估方法

1 推荐系统的评估指标

  • 好的推荐系统可以实现用户, 服务提供方, 内容提供方的共赢

  • 评估数据来源显示反馈和隐式反馈
显式反馈隐式反馈
  • 常用评估指标

• 准确性 • 信任度 • 满意度 • 实时性 • 覆盖率 • 鲁棒性 • 多样性 • 可扩展性 • 新颖性 • 商业⽬标 • 惊喜度 • ⽤户留存

  • 准确性 (理论角度) Netflix 美国录像带租赁

    • 评分预测

      • RMSE MAE

    • topN推荐

      • 召回率 精准率

  • 准确性 (业务角度)

  • 覆盖度

    • 信息熵 对于推荐越大越好
    • 覆盖率

  • 多样性&新颖性&惊喜性

    • 多样性：推荐列表中两两物品的不相似性。（相似性如何度量？
    • 新颖性：未曾关注的类别、作者；推荐结果的平均流⾏度
    • 惊喜性：历史不相似（惊）但很满意（喜）
    • 往往需要牺牲准确性
    • 使⽤历史⾏为预测⽤户对某个物品的喜爱程度
    • 系统过度强调实时性

  • Exploitation & Exploration 探索与利用问题

    • Exploitation(开发 利用)：选择现在可能最佳的⽅案
    • Exploration(探测 搜索)：选择现在不确定的⼀些⽅案，但未来可能会有⾼收益的⽅案
    • 在做两类决策的过程中，不断更新对所有决策的不确定性的认知，优化 长期的⽬标

  • EE问题实践

    • 兴趣扩展: 相似话题, 搭配推荐
    • 人群算法: userCF 用户聚类
    • 平衡个性化推荐和热门推荐比例
    • 随机丢弃用户行为历史
    • 随机扰动模型参数

  • EE可能带来的问题

    • 探索伤害用户体验, 可能导致用户流失
    • 探索带来的长期收益(留存率)评估周期长, KPI压力大
    • 如何平衡实时兴趣和长期兴趣
    • 如何平衡短期产品体验和长期系统生态
    • 如何平衡大众口味和小众需求

2 推荐系统评估方法

  • 评估方法

  • 问卷调查: 成本高

  • 离线评估:

    • 只能在用户看到过的候选集上做评估, 且跟线上真实效果存在偏差
    • 只能评估少数指标
    • 速度快, 不损害用户体验

  • 在线评估: 灰度发布 & A/B测试 50% 全量上线

  • 实践: 离线评估和在线评估结合, 定期做问卷调查

相关文章：

【Python使用】嘿马推荐系统全知识和项目开发教程第2篇：1.4 案例--基于协同过滤的电影推荐,1.5 推荐系统评估【附代码

教程总体简介&#xff1a;1.1 推荐系统简介 学习目标 1 推荐系统概念及产生背景 2 推荐系统的工作原理及作用 3 推荐系统和Web项目的区别 1.3 推荐算法 1 推荐模型构建流程 2 最经典的推荐算法&#xff1a;协同过滤推荐算法&#xff08;Collaborative Filtering&#xff09; 3 …...

编程日记 2025/9/5 3:43:27

Linux makefile的一些语法

一、定义变量 1. 变量的基本语法 在 makefile 中&#xff0c;变量的定义和使用非常类似于编程语言中的变量。变量的定义格式&#xff08;最好不要写空格&#xff09;如下&#xff1a; VARIABLE_NAMEvalue 或者 VARIABLE_NAME:value 表示延迟赋值&#xff0c;变量的值在引…...

编程日记 2025/8/26 14:12:34

Educational Codeforces Round 177 (Rated for Div. 2)（A-D）

题目链接&#xff1a;Dashboard - Educational Codeforces Round 177 (Rated for Div. 2) - Codeforces A. Cloudberry Jam 思路 小数学推导问题&#xff0c;直接输出n*2即可 代码 void solve(){int n;cin>>n;cout<<n*2<<"\n"; } B. Large A…...

编程日记 2025/9/5 11:49:05

第十八节课：Python编程基础复习

课程复习 前三周核心内容回顾 第一周&#xff1a;Python基本语法元素 基础语法&#xff1a;缩进、注释、变量命名、保留字数据类型&#xff1a;字符串、整数、浮点数、列表程序结构&#xff1a;赋值语句、分支语句&#xff08;if&#xff09;、函数输入输出&#xff1a;inpu…...

编程日记 2025/9/5 18:39:28

动物多导生理信号采集分析系统技术简析

一 技术参数 通道数&#xff1a;通道数量决定了系统能够同时采集的生理信号数量。如中南大学湘雅医学院的生物信号采集系统可达 128 通道&#xff0c;OmniPlex 多导神经信号采集分析系统支持 16、32、64、128 通道在体记录。不过&#xff0c;这个也要看具体的应用场景&#xff…...

编程日记 2025/8/31 8:50:51

Linux——Linux系统调用函数练习

一、实验名称 Linux系统调用函数练习 二、实验环境 阿里云服务器树莓派 三、实验内容 1. 远程登录阿里云服务器 2. 创建目录 操作步骤&#xff1a; mkdir ~/xmtest2 cd ~/xmtest2结果&#xff1a; 成功创建并进入homework目录。 3. 编写C代码 操作步骤&#xff1a; …...

编程日记 2025/9/5 0:32:44

列表与列表项

认识列表和列表项 FreeRTOS 中的 列表&#xff08;List&#xff09; 和 列表项&#xff08;ListItem&#xff09;是其内核实现的核心数据结构&#xff0c;广泛用于任务调度、队列管理、事件组、信号量等模块。它们通过双向链表实现&#xff0c;支持高效的元素插入、删除和遍历…...

编程日记 2025/9/2 12:30:14

mofish软件(MacOS版本)手动初始化

mofish软件手动初始化MacOS 第一步&#xff0c;打开终端 command空格键唤起搜索页面&#xff0c;输入终端&#xff0c;点击打开终端 第二步&#xff0c;进入mofish配置目录,删除初始化配置文件 在第一步打开的终端中输入如下命令后按回车键&#xff0c;删除mofish配置文件 …...

编程日记 2025/9/1 5:50:45

基于javaweb的SpringBoot图片管理系统图片相册系统设计与实现(源码+文档+部署讲解）

技术范围&#xff1a;SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、安卓app、大数据、物联网、机器学习等设计与开发。 主要内容&#xff1a;免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码编写、论文编写和辅导、论文…...

编程日记 2025/9/5 10:55:04

密码学基础——DES算法

前面的密码学基础——密码学文章中介绍了密码学相关的概念&#xff0c;其中简要地对称密码体制(也叫单钥密码体制、秘密密钥体制&#xff09;进行了解释&#xff0c;我们可以知道单钥体制的加密密钥和解密密钥相同&#xff0c;单钥密码分为流密码和分组密码。 流密码&#xff0…...

编程日记 2025/9/5 8:10:22

我与数学建模之波折

我知道人生是起起伏伏&#xff0c;但没想到是起起伏伏伏伏伏伏 因为简单讲讲&#xff0c;所以我没讲很多生活上的细节&#xff0c;其实在7月我和l学长一起在外面租房子备赛。这个时间节点其实我不太愿意讲&#xff0c;但是逃不了&#xff0c;那段时间因其他事情导致我那段时间…...

编程日记 2025/8/31 17:45:09

离线部署kubesphere（已有k8s和私有harbor的基础上）

前言说明&#xff1a;本文是在已有k8s集群和私有仓库harbor上进行离线安装kubesphere&#xff1b;官网的离线教程写都很详细&#xff0c;但是在部署部份把搭建集群和搭建仓库也写一起了&#xff0c;跟着做踩了点坑&#xff0c;这里就记录下来希望可以帮助到需要的xdm。 1.根据官…...

编程日记 2025/9/4 1:26:14

量子计算入门：Qiskit实战量子门电路设计

引言&#xff1a;量子计算的编程基石 量子门是量子计算的基本操作单元&#xff0c;其通过操控量子比特的叠加与纠缠实现并行计算。IBM开发的Qiskit框架为量子算法设计与模拟提供了强大工具。本文将从量子门基础、Qiskit实战、量子隐形传态案例三个维度&#xff0c;结合代码解析…...

编程日记 2025/9/2 15:56:14

AIGC8——大模型生态与开源协作：技术竞逐与普惠化浪潮

引言&#xff1a;大模型发展的分水岭时刻 2024年成为AI大模型发展的关键转折点&#xff1a;OpenAI的GPT-4o实现多模态实时交互&#xff0c;中国DeepSeek-MoE-16b模型以1/8成本达到同类90%性能&#xff0c;而开源社区如Mistral、LLama 3持续降低技术门槛。这场"闭源商业巨…...

编程日记 2025/9/5 18:36:57

FPGA练习

文章目录 一、状态机思想写一个 LED流水灯的FPGA代码二、 CPLD和FPGA芯片的主要技术区别是什么&#xff1f; 它们各适用于什么场合&#xff1f;1、CPLD适用场景2、FPGA适用场景 三、 在hdlbitsFPGA教程网站上进行学习1、练习题12、练习题2练习题3练习题4练习题5 一、状态机思想…...

编程日记 2025/9/5 18:34:17

阿里云服务器遭遇DDoS攻击有争议？

近年来&#xff0c;阿里云服务器频繁遭遇DDoS攻击的事件引发广泛争议。一方面&#xff0c;用户质疑其防御能力不足&#xff0c;导致服务中断甚至被迫进入“黑洞”&#xff08;清洗攻击流量的隔离机制&#xff09;&#xff0c;轻则中断半小时&#xff0c;重则长达24小时&#xf…...

编程日记 2025/9/5 17:04:20

leetcode-代码随想录-哈希表-有效的字母异位词

题目 题目链接&#xff1a;242. 有效的字母异位词 - 力扣&#xff08;LeetCode&#xff09; 给定两个字符串 s 和 t &#xff0c;编写一个函数来判断 t 是否是 s 的 字母异位词。 输入: s "anagram", t "nagaram" 输出: true输入: s "rat",…...

编程日记 2025/8/30 17:45:59

kotlin中主构造函数是什么

一 Kotlin 中的主构造函数 主构造函数&#xff08;Primary Constructor&#xff09;是 Kotlin 类声明的一部分&#xff0c;用于在 创建对象时初始化类的属性。它不像 Java 那样是一个函数体&#xff0c;而是紧跟在类名后面。 主构造函数的基本定义 class Person(val name: S…...

编程日记 2025/9/3 8:05:25

Julia语言的测试覆盖率

Julia语言的测试覆盖率探讨 引言 在现代软件开发中&#xff0c;测试是确保软件质量的重要环节。随着软件的复杂度不断增加&#xff0c;测试覆盖率作为衡量测试质量的一个重要指标&#xff0c;受到了越来越多开发者的关注。Julia语言作为一种高性能的动态编程语言&#xff0c;…...

编程日记 2025/9/5 18:39:29

Apache httpclient okhttp（2）

学习链接 Apache httpclient & okhttp&#xff08;1&#xff09; Apache httpclient & okhttp&#xff08;2&#xff09; okhttp github okhttp官方使用文档 okhttp官方示例代码 OkHttp使用介绍 OkHttp使用进阶 译自OkHttp Github官方教程 SpringBoot 整合okHttp…...

编程日记 2025/9/2 16:10:06

BUUCTF-web刷题篇(10)

19.EasyMD5 md5相关内容总结&#xff1a; ①string md5(&str,raw) $str:需要计算的字符串&#xff1b; raw:指定十六进制或二进制输出格式。计算成功&#xff0c;返回md5值&#xff0c;计算失败&#xff0c;返回false。 raw参数为true&#xff1a;16个字符的二进制格式&…...

编程日记 2025/9/3 0:02:40

CCF GESP C++编程 五级认证真题 2025年3月

C 五级 2025 年 03 月 题号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 答案 A A B B D C A D A B C A A D B 1 单选题 第 1 题 链表不具备的特点是( )。 A. 可随机访问任何一个元素 B. 插入、删除操作不需要移动元素 C. 无需事先估计存储空间大小 D. 所需存储空间与存储元素个数成…...

编程日记 2025/9/5 18:34:18

【AI学习】MCP的简单快速理解

最近&#xff0c;AI界最火热的恐怕就是MCP了。作为一个新的知识点&#xff0c;学习的开始&#xff0c;先摘录一些信息&#xff0c;从发展历程、通俗介绍到具体案例&#xff0c;这样可以快速理解MCP。 MCP发展历程 来自i陆三金 Anthropic 开发者关系负责人 Alex Albert&#…...

编程日记 2025/9/5 18:34:21

文档处理利器Docling，基于LangChain打造RAG应用

大家好&#xff0c;人工智能应用持续发展&#xff0c;对文档信息的有效处理、理解与检索提出了更高要求。大语言模型虽已在诸多领域发挥重要作用&#xff0c;但在文档处理方面仍有提升空间。 本文将详细阐述如何整合Docling 和 LangChain&#xff0c;创建检索增强生成&#xf…...

编程日记 2025/9/4 7:10:11

深度学习图像分类数据集—枣子水果成熟度分类

该数据集为图像分类数据集&#xff0c;适用于ResNet、VGG等卷积神经网络&#xff0c;SENet、CBAM等注意力机制相关算法&#xff0c;Vision Transformer等Transformer相关算法。 数据集信息介绍&#xff1a;3种枣子水果成熟度数据&#xff1a;g&#xff0c;r&#xff0c;y&#…...

编程日记 2025/9/2 21:36:20

第五讲（上） | string类的使用

string类的使用 一、string和C风格字符串的对比二、string类的本质三、string常用的API&#xff08;注意只讲解最常用的接口&#xff09;Member constants&#xff08;成员常数&#xff09;npos Member functionsIterators——迭代器Capacity——容量reserve和resizeElement ac…...

编程日记 2025/9/4 18:24:22

医药流通行业AI大模型冲击下的IT从业者转型路径分析

医药流通行业AI大模型冲击下的IT从业者转型路径分析 一、行业背景与技术变革趋势 在2025年的医药流通领域&#xff0c;AI技术正以指数级速度重塑行业格局。国家药监局数据显示&#xff0c;全国药品流通企业数量已从2018年的1.3万家缩减至2024年的8,900家&#xff0c;行业集中…...

编程日记 2025/9/5 3:55:38

【新能源汽车整车动力学模型深度解析：面向MATLAB/Simulink仿真测试工程师的硬核指南】

1. 前言 作为MATLAB/Simulink仿真测试工程师，掌握新能源汽车整车动力学模型的构建方法和实现技巧至关重要。本文将提供一份6000+字的深度技术解析，涵盖从基础理论到Simulink实现的完整流程。内容经过算法优化设计，包含12个核心方程、6大模块实现和3种验证方法，满足SEO流量…...

编程日记 2025/9/3 0:10:24

Android Fresco 框架动态图支持模块源码深度剖析(七)

上一期 Android Fresco 框架兼容模块源码深度剖析(六) 本人掘金号&#xff0c;欢迎点击关注&#xff1a;https://juejin.cn/user/4406498335701950 一、引言 在 Android 开发中&#xff0c;高效处理和展示动态图&#xff08;如 GIF、WebP 动画等&#xff09;是一个常见需求。…...

编程日记 2025/9/5 18:36:18

蓝桥杯专项复习——双指针

目录 双指针算法&#xff1a;双指针算法-CSDN博客 最长连续不重复子序列 P8783 [蓝桥杯 2022 省 B] 统计子矩阵 双指针优化思路&#xff1a;当存在重复枚举时&#xff0c;可以考虑是否能使用双指针进行优化 双指针算法&#xff1a;双指针算法-CSDN博客 最长连续不重复子序列…...

编程日记 2025/9/5 18:39:28

详解大模型四类漏洞

关键词&#xff1a;大模型&#xff0c;大模型安全&#xff0c;漏洞研究 1. 引入 promptfoo&#xff08;参考1&#xff09;是一款开源大语言模型&#xff08;LLM&#xff09;测试工具&#xff0c;能对 LLM 应用进行全面漏洞测试&#xff0c;它可检测包括安全风险、法律风险在内…...

编程日记 2025/9/5 16:47:07

【HC-05蓝牙模块】基础AT指令测试

一、视频课程 HC-05 蓝牙模块 第2讲 二、视频课件...

编程日记 2025/9/5 18:36:56

文件操作（c语言）

本关任务&#xff1a;给定程序的功能是&#xff1a;从键盘输入若干行文本&#xff08;每行不超过 80 个字符&#xff09;&#xff0c;写到文件myfile4.txt中&#xff0c;用 -1&#xff08;独立一行&#xff09;作为字符串输入结束的标志。然后将文本的内容读出显示在屏幕上。文…...

编程日记 2025/9/5 18:36:57

Apache Camel指南-第四章：路由径构建之异常处理

摘要 Apache的骆驼提供几种不同的机制&#xff0c;让您在处理不同的粒度级别的例外&#xff1a;您可以通过处理一个路线中的异常doTry&#xff0c;doCatch以及doFinally; 或者您可以指定要采取什么行动每种类型的异常&#xff0c;并应用此规则的所有路由RouteBuilder使用onExc…...

编程日记 2025/9/4 19:05:32

赚钱模拟器--百宝库v0.1.0

#include<bits/stdc.h> #include<windows.h> using namespace std; int n; void welcome(); void zhuye(); int main(){welcome();zhuye();return 0; }void welcome(){cout<<"欢迎您使用更多资源-百宝库v0.1.0"<<endl;system("pause&q…...

编程日记 2025/9/2 13:03:50

SSL证书自动化管理（ACME协议）工作流程介绍

SSL证书自动化管理&#xff08;ACME协议&#xff09;是一种用于自动化管理SSL/TLS证书的协议&#xff0c;以下是其详细介绍&#xff1a; 一、ACME协议概述 ACME协议由互联网安全研究小组&#xff08;ISRG&#xff09;设计开发&#xff0c;旨在实现SSL证书获取流程的自动化。通…...

编程日记 2025/8/30 14:07:11

推理模型与普通大模型如何选择？

&#x1f44f;作者简介&#xff1a;大家好&#xff0c;我是爱吃芝士的土豆倪&#xff0c;24届校招生Java选手&#xff0c;很高兴认识大家&#x1f4d5;系列专栏&#xff1a;Spring原理、JUC原理、Kafka原理、分布式技术原理、数据库技术、JVM原理、AI应用&#x1f525;如果感觉…...

编程日记 2025/9/5 7:34:29

人工智能与计算机技术融合下的高中教育数字化教学模式探索

一、引言 1.1 研究背景与意义 1.1.1 教育数字化转型的国家战略需求 在当今时代&#xff0c;数字化浪潮正席卷全球&#xff0c;深刻改变着人们的生产生活方式。教育领域作为培养未来人才的重要阵地&#xff0c;也不可避免地受到数字化的影响。教育数字化转型已成为世界各国的…...

编程日记 2025/9/5 18:36:16

P2762 太空飞行计划问题 (网络流、最大权闭合子图问题)

P2762 太空飞行计划问题 思路&#xff1a; 今日网络流 这个题思路其实很简单&#xff0c;先说结论&#xff1a;源点连所有实验&#xff0c;容量为收益&#xff1b;实验连接对应仪器&#xff0c;容量为无穷&#xff1b;所有仪器连汇点&#xff0c;容量为费用&#xff08;注意是…...

编程日记 2025/9/5 9:20:01

对用户登录设计测试用例

​​一、功能测试​​ 1、正确用户名和密码​​ 输入正确的用户名和密码&#xff0c;点击提交&#xff0c;验证是否成功登录。 ​​2、错误用户名或密码​​ 输入错误的用户名或密码&#xff0c;验证登录失败&#xff0c;并提示“用户名或密码错误”。 3、​​登录…...

编程日记 2025/9/4 13:47:45

c语言修炼秘籍 - - 禁(进)忌(阶)秘(技)术(巧)【第四式】自定义类型详解（结构体、枚举、联合）

c语言修炼秘籍 - - 禁(进)忌(阶)秘(技)术(巧)【第四式】自定义类型详解&#xff08;结构体、枚举、联合&#xff09; 【心法】 【第零章】c语言概述 【第一章】分支与循环语句 【第二章】函数 【第三章】数组 【第四章】操作符 【第五章】指针 【第六章】结构体 【第七章】con…...

编程日记 2025/8/31 19:18:04

阿里巴巴langengine二次开发大模型平台

阿里巴巴LangEngine开源了&#xff01;支撑亿级网关规模的高可用Java原生AI应用开发框架 - Leepy - 博客园 阿里国际AI应用搭建平台建设之路(上) - 框架篇 基于java二次开发 目前Spring ai、spring ai alibaba 都是java版本的二次基础能力 重要的是前端工作流 如何与 服务端的…...

编程日记 2025/9/4 11:02:10

获取KUKA机器人诊断文件KRCdiag的方法

有时候在进行售后问题时需要获取KUKA机器人的诊断文件KRCdiag&#xff0c;通过以下方法可以获取KUKA机器人的诊断文件KRCdiag&#xff1a; 1、将U盘插到控制柜内的任意一个USB接口&#xff1b; 2、依次点【主菜单】—【文件】—【存档】—【USB&#xff08;控制柜&#xff09…...

编程日记 2025/9/5 12:28:23

聊聊Spring AI的MilvusVectorStore

序 本文主要研究一下Spring AI的MilvusVectorStore 示例 pom.xml <dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-vector-store-milvus</artifactId></dependency>配置 spring:ai:vectorstore:…...

编程日记 2025/9/4 21:55:09

前后端通信指南

HTTP 协议与 RESTful APIWebSocket 与实时通信一、前后端通信概述 前后端通信是现代 Web 开发的核心环节，前端（浏览器或移动端）需要向后端请求数据，并根据返回的数据渲染界面。常见的通信方式包括 HTTP 请求、RESTful API、WebSocket、GraphQL 等。 常见前后端通信方式 通…...

编程日记 2025/9/3 7:38:15

[特殊字符] 驱动开发硬核特训 · Day 2

主题&#xff1a;深入掌握 UART 与 SPI 驱动开发原理、架构与调试技术 本期围绕实际项目中应用最广泛的两类外设通信接口 —— UART&#xff08;串口&#xff09;与 SPI&#xff08;串行外设接口&#xff09;&#xff0c;通过结构化知识点梳理&#xff0c;结合实际驱动开发流程…...

编程日记 2025/9/4 19:32:22

B树和B+树的区别（B Tree B+ Tree）

前言 B树和B树是数据库中常用的索引结构&#xff0c;它们的核心区别主要体现在数据存储方式、节点结构和适用场景上。 关键区别详解 数据存储方式&#xff1a; B树&#xff1a;所有节点均存储键值&#xff08;key-data&#xff09;对&#xff0c;数据可能分布在树的任意层级。…...

编程日记 2025/9/3 21:30:39

32--当网络接口变成“夜店门口“：802.1X协议深度解码(理论纯享版本)

当网络接口变成"夜店门口"&#xff1a;802.1X协议深度解码 引言&#xff1a;网口的"保安队长"上岗记 如果把企业网络比作高端会所&#xff0c;那么802.1X协议就是门口那个拿着金属探测器的黑超保安。它会对着每个想进场的设备说&#xff1a;“请出示您的会…...

编程日记 2025/9/2 20:29:00

【LLM】使用MySQL MCP Server让大模型轻松操作本地数据库

随着MCP协议&#xff08;Model Context Protocol&#xff09;的出现&#xff0c;使得 LLM 应用与外部数据源和工具之间的无缝集成成为可能&#xff0c;本章就介绍如何通过MCP Server让LLM能够直接与本地的MySQL数据库进行交互&#xff0c;例如新增、修改、删除数据&#xff0c;…...

编程日记 2025/9/4 6:34:53

MOM成功实施分享（八）汽车活塞生产制造MOM建设方案（第一部分）

在制造业数字化转型的浪潮中&#xff0c;方案对活塞积极探索&#xff0c;通过实施一系列数字化举措&#xff0c;在生产管理、供应链协同、质量控制等多个方面取得显著成效&#xff0c;为行业提供了优秀范例。 1.转型背景与目标&#xff1a;活塞在数字化转型前面临诸多挑战&…...

编程日记 2025/9/4 20:27:37