关于 怎样买到慢性毒药【V信;799.196.362】坊 的搜索结果,共784
c****2 2018-07-10
化推荐(一)
背景介绍 在网络技术不断发展和电子商务规模不断扩大的背景下,商品数量和种类快速增长,用户需要花费大量时间才能找自己想的商品,这就是息超载问题。为了解决这个难题,个化推荐系统(Recommender System)应运而生。 个化推荐系统是息过滤系统(Information Filtering System)的子集,它可以用在很多领域,如电影、音乐、电商和 Feed 流推荐等。个化推荐系统通过分析、挖掘用户行为,发现用户的个化需求与兴趣特点,将用户可能感兴趣的息或商品推荐给用户。与搜索引擎不同,个化推荐系统不需要用户准确地描述出自己的需求,而是根据用户的历史行为进行建模,主动提供满足用户兴趣和需求的息。 1994年明尼苏达大学推出的GroupLens系统[1]一般被认为是个化推荐系统成为一个相对独立的研究方向的标志。该系统首次提出了基于协同过滤来完成推荐任务的思想,此后,基于该模型的协同过滤推荐引领了个化推荐系统十几年的发展方向。
h****l 2018-07-09
大数据时代下的隐私保护(二)
在2009 年,微软研究院的Cynthia Dwork 提出差分隐私的概念,差分隐私就是为了 防止差分攻击,也就是说尽管攻击者知道发布的100 个人的个人以息和其中99 个 人的息,他也没办法通过比对这两个息获得第100 个人的息。 简单来说,差分隐私就是用一种方法使得查询100 个息和查询其中99 个的息得 的结果是相对一致的,那么攻击者就无法通过比较(差分)数据的不同找出第100 个 人的息。这种方法就是加入随机,如果查询100 个记录和99 个记录,输出同 的值的概率是一的,攻击者就无法进行差分攻击。进一步说,对于差别只有一条记录 的两个数据集D 和D' (neighboring datasets),查询他们获得结果相同的概率非常接 近。注意,这里并不能保证概率相同,如果一的话,数据就需要完全的随机化,那 公开数据也就没有意义。所以,我们需要尽可能接近,保证在隐私和可用之间找一 个平衡。
s****5 2018-07-10
化推荐(二)
然后,我们对于所有的用户特征,均输入一个全连接层(fc)中。将所有特征融合为一个200维度的特征。
小****园 2018-07-10
让PB级云存储不再神秘
对象存储场景里很少出现一个链接读写100G文件的情况,而常见的是几万个链接去竞争带宽资源,大家都读写。只要有100个并发连接,群集的访问压力会分布均匀。一个PB级存储系统,存储机么也有20台以上,每台主机提供1000Mb带宽用于对外服务,这就是20Gb总出口带宽了,群集默认能就不会太差。数据都是顺序写入硬盘,SATA盘也能达极高写入能。读取数据的能也不是大问题,互联网类型数据的缓存命中功率极高,一台缓存可以减负一大堆元数据和存储服务;大数据一下要读几百T的数据必然是多链接,每个存储节点都会分数据读取任务的,而且应用要读这么多数据不会要秒级完成任务,五分钟内完成下载就是闪电速度了。 回收空间的能 前文提数据都是顺序写硬盘,这文件删除时回收空间很,但4T盘浪费50%的空间也比15K盘或者SSD合算,某些小规模或超有钱云存储都没做回收空间这个功能。 当文件有计划内滚动删除需求需求,比如说互联网安防监控,一般是用两副本或单副本群集扛能,为回收空间要浪费50%空间,也有公司在开发快删专用的环形存储结构。
TOP