注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 主题：详解spring事务属性.doc

  2. 我们在使用Spring声明式事务时，有一个非常重要的概念就是事务属性。事务属性通常由事务的传播行为，事务的隔离级别，事务的超时值和事务只读标志组成。我们在进行事务划分时，需要进行事务定义，也就是配置事务的属性。

  3. 所属分类：Java

    • 发布日期：2009-10-21
    • 文件大小：155648
    • 提供者：zhongguomin

  1. 人力资源管理系统需求分析

  2. 从主题域划分，上下文关系，用例，类等方面描述

  3. 所属分类：专业指导

    • 发布日期：2010-03-04
    • 文件大小：494592
    • 提供者：wuqingaixue

  1. 多文档文摘中句子优化选择方法研究

  2. 在多文档文摘子主题划分的基础上，提出了一种在子主题之间对文摘句优化选择的方法。首先在句子相似度计算的基础上，形成多文档集合的子主题，通过对各子主题打分，确定子主题的抽取顺序。以文摘中有效词的覆盖率作为优化指标，在各个子主题中选择文摘句。从减少子主题之间及子主题内部的信息的冗余性两个角度选择文摘句，使文摘的信息覆盖率得到很大提高

  3. 所属分类：专业指导

    • 发布日期：2010-05-09
    • 文件大小：216064
    • 提供者：xue100sheng

  1. 自动文摘系统中的主题划分问题研究

  2. 随着网络的发展,电子文本大量涌现,自动文摘以迅速、快捷、有效、客观等手工文摘无可比拟的优 势,使得其实用价值得到充分体现。而主题划分是自动文摘系统中文本结构分析阶段所要解决的一个重要问 题。本文提出了一个通过建立段落向量空间模型,根据连续段落相似度进行文本主题划分的算法,解决了文 章的篇章结构分析问题,使得多主题文章的文摘更具内容全面性与结构平衡性。实验结果表明,该算法对多 主题文章的主题划分准确率为9212 % ,对单主题文章的主题划分准确率为9911 %。

  3. 所属分类：其它

    • 发布日期：2008-09-05
    • 文件大小：697344
    • 提供者：lansejingling

  1. 一种基于LDA的潜在语义区划分及Web文档聚类算法

  2. LDA主题模型是继PLSA、LSA之后新提出的潜在语义分析模型，它克服了PLSA、LSA中的不足，提高了语义分析的准确性！

  3. 所属分类：其它

    • 发布日期：2013-11-22
    • 文件大小：4194304
    • 提供者：u012922158

  1. jquery ui layout 后台框架（可切换ui主题）

  2. 基于jquery 、jquery ui 、 jquery ui layout 写的一个后台框架 布局划分上、中左、中右、下，支持切换ui的主题样式，包含了tab button 等

  3. 所属分类：Web开发

    • 发布日期：2014-08-01
    • 文件大小：1048576
    • 提供者：liuxinxin1125

  1. 基于主题划分的网页自动摘要

  2. 基于主题划分的网页自动摘要.PDF 基于主题划分的网页自动摘要.PDF

  3. 所属分类：专业指导

    • 发布日期：2008-11-13
    • 文件大小：183296
    • 提供者：juicewall

  1. 基于数据仓库的图书管理系统

  2. 基于数据仓库的图书管理系统时使用sqlsever2008r2创建的，其中包含可对图书管理系统的主题划分，事实表创建，对应sql语句的编译，最后创建数据仓库！

  3. 所属分类：SQLServer

    • 发布日期：2016-02-26
    • 文件大小：1048576
    • 提供者：u010376398

  1. 基于LDA的新闻话题子话题划分方法_赵爱华.pdf

  2. 针对目前网络热点新闻话题中存在的难以区分一个话题下的多个子话题现象，提出一种基于LDA 模型的子话题划分方法． 首先应用LDA 模型对新闻文档进行建模，采用贝叶斯标准方法确定最优主题个数，使LDA 模型拟合文档性能达到最佳

  3. 所属分类：机器学习

    • 发布日期：2020-05-06
    • 文件大小：443392
    • 提供者：Sawyer_S

  1. Teradata-FS-LDM-模型介绍与建模过程-经典收藏.pdf

  2. 经典的金融FS LDM模型，数据建模、数据仓库资料。模型介绍、建模过程。主题划分、建模过程。逻辑模型。

  3. 所属分类：金融

    • 发布日期：2020-09-04
    • 文件大小：27262976
    • 提供者：hw_glenn

  1. 干货！三大招教你轻松挖掘客户意见（含Python代码）。

  2. 导读 随着大数据营销模式的发展，精准了解客户需求越来越重要，这其中最好的方式，就是直接收集客户意见。但客户意见往往天马行空，既无序又杂乱。虽然收集的意见不少，但分析出有效的信息少之又少。因此怎样从大量意见中挖掘出有效信息，真正读懂客户的心，成为一个刚需。 01目标和分析方法 本文通过一整套流程对问卷调查中客户回答的文本意见进行处理和对隐藏信息挖掘，主要目标包括： （1）将杂乱文本进行预处理，形成有效信息； （2）将有效信息进行拆解，归纳主要意见； （3）将主要意见进行主题划分，在意见中寻找深层的

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：269312
    • 提供者：weixin_38721811

  1. 自适应主题模型：“富主题变得更富裕”问题的解决方案

  2. “丰富主题变得更丰富”（RTGR）问题在主题模型中很普遍，如果不干预分发过程，则会带来错误的主题分发。 在标准LDA（潜在Dirichlet分配）模型中，所有文档中的每个单词都具有相同的统计能力。 实际上，这些词对不同的主题有不同的影响。 在这种思想的指导下，我们通过考虑单词对主题划分的偏见作用来扩展ILDA（无限LDA）。 我们提出了一种自适应主题模型来专门解决RTGR问题。 本文提出的模型适用于三个问题：（1）主题数随文档的收集而变化，适合动态数据； （2）单词具有主题分布的区别属性； （3

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：2097152
    • 提供者：weixin_38570278

  1. 通过具有K-mer嵌入的卷积网络发现主题

  2. 随着深度学习的飞速发展，一些基于深度神经网络的判别式主题发现方法逐渐成为主流，这也带来了预测准确性的巨大提高。 在本文中，我们提出了一种基于卷积神经网络的架构（eCNN），将嵌入层与GloVe相结合。 首先，eCNN通过滑动窗口将ChIP-seq数据集的每个单个序列划分为多个子序列，称为k-mers，然后通过GloVe将k-mers编码为相对低维的向量，最后使用多个卷积网络对每个向量进行评分。 实验表明，我们的体系结构可以在主题发现任务上获得良好的结果。

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：516096
    • 提供者：weixin_38743968

  1. dotfiles:我的点文件-源码

  2. 我的点文件 我使用这些点文件来使我Linux体验在计算机之间保持一致。 该项目的灵感来自 ，后者更加全面。 去看看他们。 安装脚本在python中，我发现它比bash更具可读性。 结构 回购按主题划分。 扩展名为.symlink任何文件都将在主文件夹中进行.symlink链接。 文件夹和文件都可以链接。 任何扩展名为.bash都将由~/.bash_aliases来源，该内容由脚本自动生成。 实际的bash_aliases文件位于bash/bash_aliases.bash topic.

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：53248
    • 提供者：weixin_42101384

  1. TeraData金融数据模型

  2. Teradata天睿公司提出一种先进的FS-LDM模型(FinancialServicesLogcialDataModel)--企业级数据模型，包括金融机构业务数据，囊括了银行约80%的业务数据，并把预定义的业务模板连接到核心银行业务数据和数据仓库中。TeradataFS-LDM是一个成熟产品，在一个集成的模型内支持保险、银行及证券，包含十大主题：当事人、产品、协议、事件、资产、财务、机构、地域、营销、渠道。十大主题划分如下：1、重点设计主题（客户、协议、事件、资产、财务）特点：是模型中的重点主

  3. 所属分类：其它

    • 发布日期：2021-03-01
    • 文件大小：881664
    • 提供者：weixin_38502762

  1. CSES解决方案手册：CSES问题集包含按主题划分的竞争性编程实践问题的集合。 此存储库为您提供解决方案代码以及详细的提示-源码

  2. CSES解决方案书 CSES问题集包含按主题划分的竞争性编程实践问题的集合。 您可以在访问问题。 当前

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：54272
    • 提供者：weixin_42143092

  1. TeraData金融数据模型（银行十大主题划分）

  2. TeradataFS-LDM是一个成熟产品，在一个集成的模型内支持保险、银行及证券，包含十大主题：当事人、产品、协议、事件、资产、财务、机构、地域、营销、渠道。十大主题划分如下：BANK-LDM主题域模型设计采用分类设计的策略:1、重点设计主题（客户、协议、事件、资产、财务）　　特点：是模型中的重点主题，且在源系统中有丰富的数据来源和参照。　　目标：尽量保持完整性、丰富性。　　策略：按照FS-LDM的框架进行设计，同时补充银行的个性数据元素。2、自主设计主题（申请、营销活动、渠道、机构、产品）　

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：1029120
    • 提供者：weixin_38577648

  1. deepakkaura-Blogs-：此文件夹将显示关于不同主题的My Blogs-源码

  2. -博客- 此文件夹包含我的博客文件夹 博客1：关于数据科学 将“数据”转换为“洞察力”的科学已广为人知。 数据科学： ： 数据科学家： ： 博客2：聚类（有关其含义的第1部分） 聚类是将总体或数据点划分为多个组的任务，以使同一组中的数据点比其他组中的数据点更类似于同一组中的其他数据点。 简而言之，目的是将具有相似特征的群体隔离开来，并将其分配到集群中。 博客2：集群（第二部分：有监督学习与无监督学习） 在监督学习中，您使用“标签”正确的数据训练机器。 这意味着某些数据已经用正确答案

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：6291456
    • 提供者：weixin_42134878

  1. 学习Python：:books:学习Python的游乐场和速查表。 Python脚本集合，按主题划分，并包含带说明的代码示例-源码

  2. 学习Python的游乐场和备忘单 这是按划分的Python脚本的集合，其中包含带示例的代码示例，说明，不同的用例以及进一步阅读的链接。 在阅读。 这是一个游乐场，因为您可以更改或添加代码以查看其工作方式并使用断言。 它还允许您所编写，并检查其是否适合Python代码样式指南。 总之，这可能会使您的学习过程更具交互性，并可能从一开始就帮助您保持较高的代码质量。 这是一个备忘单，因为一旦您想重述的语法，就可以回到这些代码示例。 另外，由于代码中充满了断言，因此您无需启动它们就可以立即看到预期

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：86016
    • 提供者：weixin_42151729

  1. TeraData金融数据模型（银行十大主题划分）

  2. Teradata FS-LDM是一个成熟产品，在一个集成的模型内支持保险、银行及证券，包含十大主题：当事人、产品、协议、事件、资产、财务、机构、地域、营销、渠道。

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：1046528
    • 提供者：weixin_38626080
« 12 3 4 5 6 7 8 9 10 »