该文提出了一种新的基于小世界网络特性的关键词提取算法.首先,利用K最邻近耦合图构成方式,将文档表示成为词语网络.引入词语聚类系数变化量和平均最短路径变化量来度量词语的重要性,选择重要性大的词语组成候选关键词集.利用侯选关键词集词语位置关系和汉语词性搭配关系,提取出复合关键词.实验结果表明该方法是可行和无效的,获取复合关键词比一般关键词所表达的含义更便于人们对文本的理解.
2017/1/11 12:39:27
268KB
1
本文主要对ORACLE11i期间平均成本法的运算逻辑、系统设置、日常操作、月末主要工作及产生的会计科目进行了详细的引见，并附有实例。
同时也对相关会计原理、关闭会计期间的通用步骤、问题产生原因和注意事项进行了详细的说明。
对于平时测试过程中发现的问题、Metalink上列出的BUG也有引见；
文档主要来源公司培训文档、日常测试和ORACLE白皮书，所有操作均在ORACLEEBS中测试通过。
具有很高的参考价值
同时也对相关会计原理、关闭会计期间的通用步骤、问题产生原因和注意事项进行了详细的说明。
对于平时测试过程中发现的问题、Metalink上列出的BUG也有引见；
文档主要来源公司培训文档、日常测试和ORACLE白皮书，所有操作均在ORACLEEBS中测试通过。
具有很高的参考价值
2020/8/11 15:08:08
1.5MB
1
作为国内最大的OTA公司，携程为数以亿计的海内外用户提供优质的旅游产品及服务。
2014年底携程技术中心的框架、系统和运维团队共同启动了架构改造项目，历时2年，涉及所有业务线。
本文回顾了携程在整个技术架构改造过程中的一些实践和收获。
随着携程业务量迅速增长、业务变化越来越敏捷，对于应用交付的效率也提出了更高的要求。
根据统计，截止2014年底携程总应用数在5000个左右，平均每周约有3000次以上的发布需求。
所以作为整体交付环节中极为重要的一环，应用的部署和发布是提高交付效率的关键，然而携程原来的发布系统Croller却成为了障碍交付效率提升的一大瓶颈。
【关于携程火车发布】具体来说，携程Crolle
2014年底携程技术中心的框架、系统和运维团队共同启动了架构改造项目，历时2年，涉及所有业务线。
本文回顾了携程在整个技术架构改造过程中的一些实践和收获。
随着携程业务量迅速增长、业务变化越来越敏捷，对于应用交付的效率也提出了更高的要求。
根据统计，截止2014年底携程总应用数在5000个左右，平均每周约有3000次以上的发布需求。
所以作为整体交付环节中极为重要的一环，应用的部署和发布是提高交付效率的关键，然而携程原来的发布系统Croller却成为了障碍交付效率提升的一大瓶颈。
【关于携程火车发布】具体来说，携程Crolle
2015/3/21 1:01:19
1.33MB
1
作为国内最大的OTA公司，携程为数以亿计的海内外用户提供优质的旅游产品及服务。
2014年底携程技术中心的框架、系统和运维团队共同启动了架构改造项目，历时2年，涉及所有业务线。
本文回顾了携程在整个技术架构改造过程中的一些实践和收获。
随着携程业务量迅速增长、业务变化越来越敏捷，对于应用交付的效率也提出了更高的要求。
根据统计，截止2014年底携程总应用数在5000个左右，平均每周约有3000次以上的发布需求。
所以作为整体交付环节中极为重要的一环，应用的部署和发布是提高交付效率的关键，然而携程原来的发布系统Croller却成为了障碍交付效率提升的一大瓶颈。
【关于携程火车发布】具体来说，携程Crolle
2014年底携程技术中心的框架、系统和运维团队共同启动了架构改造项目，历时2年，涉及所有业务线。
本文回顾了携程在整个技术架构改造过程中的一些实践和收获。
随着携程业务量迅速增长、业务变化越来越敏捷，对于应用交付的效率也提出了更高的要求。
根据统计，截止2014年底携程总应用数在5000个左右，平均每周约有3000次以上的发布需求。
所以作为整体交付环节中极为重要的一环，应用的部署和发布是提高交付效率的关键，然而携程原来的发布系统Croller却成为了障碍交付效率提升的一大瓶颈。
【关于携程火车发布】具体来说，携程Crolle
2015/3/21 1:01:19
1.33MB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
2019/7/26 21:18:43
206KB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
2019/7/26 21:18:43
206KB
1
根据实际温度与设定温度的偏差与偏差的变化率，利用二维模糊将偏差与偏差的变化率进行模糊化，再利用加权平均的方法解模糊，得到所要的参数。
2020/4/17 23:22:43
121KB
1
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。
2024-04-09 15:03
15KB