match

##查询所有查询 GET bank / _search { "query" : { "match_all" : { } } , "_source" : [ "account_number" , "balance" ] } ##全文检索，match的字段如果是一个文本，自动的进行分词，进行模糊匹配。 ##倒排索引？ GET bank / _search { "query" : { "match" : { "address" : "990 Mill Road" } } } ##精确匹配，不进行分词模糊，keyword GET bank / _search { "query" : { "match" : { "address.keyword" : "990 Mill Road" } } } ##精确匹配，不进行分词模糊，match_phrase GET bank / _search { "query" : { "match_phrase" : { "address" : "990 Mill Road" } } } ##多字段匹配 GET bank / _search { "query" : { "multi_match" : { "query" : "mill ak" , "fields" : [ "address" , "state" ] } } } ##复合查询

效果 页面结构解析 这是一个比较常见的APP首页的结构，侧边栏+主页，侧边栏里是一些菜单，主页由底部菜单控制内容区，内容区是可滑动的子页面。整体比较舒服合理，各自为阵，却又能关联在一起，加上又是大众喜爱的 Material Design 风格，所以成为了当下APP首页的主流结构。 上图是做的一个简单的思维导图，并不复杂，理清了结构就能事半功倍。 页面布局 1.首页 即整个大的容器。 <?xml version="1.0" encoding="utf-8"?> <androidx.drawerlayout.widget.DrawerLayout xmlns:android="http://schemas.android.com/apk/res/android" xmlns:app="http://schemas.android.com/apk/res-auto" xmlns:tools="http://schemas.android.com/tools" android:id="@+id/drawer_layout" android:layout_width="match_parent" android:layout_height="match_parent" android:fitsSystemWindows="true" tools:context=".module

原链接 SmartRefreshLayout是一个“聪明”或者“智能”的下拉刷新布局，由于它的“智能”，它不只是支持所有的View，还支持多层嵌套的视图结构。它继承自ViewGroup 而不是FrameLayout或LinearLayout，提高了性能。 也吸取了现在流行的各种刷新布局的优点，包括谷歌官方的 SwipeRefreshLayout ，其他第三方的 Ultra-Pull-To-Refresh 、 TwinklingRefreshLayout 。还集成了各种炫酷的 Header 和 Footer。 SmartRefreshLayout的目标是打造一个强大，稳定，成熟的下拉刷新框架，并集成各种的炫酷、多样、实用、美观的Header和Footer。 SmartRefreshLayout官网 导入依赖 在build.gradle中添加依赖 //1.1.0 API改动过大，老用户升级需谨慎 compile 'com.scwang.smartrefresh:SmartRefreshLayout:1.1.0-alpha-14' compile 'com.scwang.smartrefresh:SmartRefreshHeader:1.1.0-alpha-14'//没有使用特殊Header，可以不加这行 compile 'com.android.support:appcompat-v7

正则表达式是一种具有特定模式的用来匹配文本的字符串 preg_match 匹配 $pattern = '/php/'; $subject = "php 是最好的编程语言，php 没有之一！"; $result = preg_match($pattern,$subject); if($result){ echo "<h1>匹配成功</h1>"; }else{ echo "<h1>匹配不成功</h1>"; } preg_match_all 匹配所有 $pattern = '/php/'; $subject = "php是最好的编程语言，不会php的程序员不是好程序员！"; $result = preg_match_all($pattern,$subject,$matches); var_dump($result); var_dump($matches); //preg_match=== //int 1 //array (size=1) // 0 => string 'php' (length=3) //preg_match_all ==== //int 2 //array (size=1) // 0 => // array (size=2) // 0 => string 'php' (length=3) // 1 => string 'php' (length=3) preg

1.13 数列分块 1.数列分块1：区间加减+单点查询 思路： 边角暴力，整块用lazy标记整体加减。 #include<bits/stdc++.h> using namespace std; #define LL long long #define mid ((l+r)>>1) #define db(x) cout<<#x<<":"<<x<<endl; const int M=5e4+20,P=1e9+7; int bl_size,blnum[M],v[M],lazy[M]; void bl_init(int n){ bl_size=sqrt(n); for(int i=1;i<=n;++i) blnum[i]=(i-1)/bl_size+1; } void bl_add(int l,int r,int c){ //先加左边多余块 for(int i=l;i<=min(blnum[l]*bl_size,r);++i)//l到本块最右边和r最小值 v[i]+=c; //再加右边多余块 if (blnum[l]!=blnum[r]) for(int i=(blnum[r]-1)*bl_size+1;i<=r;++i)//r所在块第一个数到r v[i]+=c; //最后处理整块 for(int i=blnum[l]+1;i<=blnum[r]-1;++i) lazy[i]+=c; }

实例一： 先来个简单的实例，把下面的代码保存为main.js，让自己欣喜下： var http = require("http"); function onRequest(request, response){ console.log("Request received."); var str='{"id":"0036",name:"jack",arg:123}'; response.writeHead(200,{"Content-Type":'text/plain','charset':'utf-8','Access-Control-Allow-Origin':'*','Access-Control-Allow-Methods':'PUT,POST,GET,DELETE,OPTIONS'}); //response.writeHead(200,{"Content-Type":'application/json','Access-Control-Allow-Origin':'*','Access-Control-Allow-Methods':'PUT,POST,GET,DELETE,OPTIONS'}); //response.write("Hello World 8888\n"); response.write(str); response.end(); } http

推荐系统中的深度匹配模型 辛俊波 DataFunTalk 今天 文章作者：辛俊波 腾讯 高级研究员 编辑整理：Hoh Xil 内容来源：作者授权 文章出品：DataFunTalk 注：转载请联系作者本人。 导读： 推荐系统和搜索应该是机器学习乃至深度学习在工业界落地应用最多也最容易变现的场景。而无论是搜索还是推荐，本质其实都是匹配，搜索的本质是给定 query，匹配 doc；推荐的本质是给定 user，推荐 item。本文主要讲推荐系统里的匹配问题，包括传统匹配模型和深度学习模型。 深度学习之风虽然愈演愈烈，但背后体现的矩阵分解思想、协同过滤思想等其实一直都是贯穿其中，如 svd++ 体现的 userCF 和 itemCF 的思想，FM 模型本质上可以退化成以上大多数模型等。多对这些方法做总结，有助于更深刻理解不同模型之间的关联。 图1 推荐和搜索的本质，都是 match 的过程 PS：本文主要启发来源 SIGIR2018：Deep Learning for Matching in Search and Recommendation，重点阐述搜索和推荐中的深度匹配问题，非常 solid 的综述，针对里面的一些方法，尤其是 feature-based 的深度学习方法增加了近期一些相关 paper。 本文主要分为以下几部分： ❶ 推荐系统概述 ❷ 推荐系统的传统匹配模型 ❸ 基于