词语相似度计算，语义计算，用于人工智能，自然语言处理，数据挖掘，舆情分析等众多领域。

最新的词语相似度计算方法；
基于词林和知网的词语相似度计算；
版权归原作者所有，仅供学习交流使用；

synonyms可以用于自然语言理解的很多任务：文本对齐，推荐算法，相似度计算，语义偏移，关键字提取，概念提取，自动摘要，搜索引擎等。

1、掌握选择term的方法；
2、权重计算(TermWeighting)：即计算每篇文权重计算(TermWeighting)：即计算每篇文档中每个term的权重，计算TF、IDF；
3、查询和文档的相似度计算(Siili•查询和文档的相似度计算(SimilarityComputation)。

该资源主要参考我的博客：word2vec词向量训练及中文文本相似度计算http://blog.csdn.net/eastmount/article/details/50637476其中包括C语言的Word2vec源代码（从官网下载），自定义爬取的三大百科（百度百科、互动百科、维基百科）中文语料，涉及到国家、景区、动物和人物。
同时包括60M的腾讯新闻语料，是一个txt，每行相当于一个新闻。
国家包括了Python的Jieba分词代码，详见博客。
免费资源希望对你有所协助~

最近做了一些多目标跟踪方向的调研，因此把调研的结果以图片加文字的方式展现出来，希望能帮助到入门这一领域的同学。
也欢迎大家和我讨论关于这一领域的任何问题。
这些是我所了解的多目标跟踪（MOT）的一些相关方向。
其中单目标跟踪（VOT/SOT）、目标检测（detection）、行人重识别（Re-ID）都是非常热门的方向。
而偏视频的相关方向就比较冷门。
而且今年五月DukeMTMC因为隐私问题不再提供MTMCT的数据了，MTMCT的研究也是举步维艰。
因此绝大多数MOT算法无外乎就这四个步骤：①检测②特征提取、运动预测③相似度计算④数据关联。
其中影响最大的部分在于检测，检测结果的好坏对于最后指标的影响是最大

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。