今天打的虽然有遗憾，但是也在情理之中。赛时看了眼T1，没有别人的犹豫，第一眼就看到了\(n\le5000\)，然后开始写最短路。算了一下dijkstra根本跑不满，无需deque的01bfs。写完以后大概40min，改一下longlong就扔了。赛后没挂，100pts。T2一开始没有思路，在纸上画画图感觉可以

概念：三种不同的排序模型学习（LearningtoRank）设计思路。主要体现在损失函数不同用户的查询query为Q，候选文档集docs为c1~CN，正确的结果排序假设为C1-CK。候选文档集要一般大于最终返回的集合，因此N>K.例如，给出一个提问句子从候选句子(有10个)中选出最佳的5个的答案，返回的列表

下面详细介绍一下规范化理论的相关内容：规范化理论（NormalizationTheory）规范化是数据库设计中用来减少数据冗余和提高数据一致性的过程。它通过分解关系模式来实现，确保数据库结构满足一定的规范条件。规范化理论主要包含以下几个范式：第一范式（1NF）：表的每个列都是不可分割的基

第2题的内容是：单选题已知关系R（A，B，C，D）和R上的函数依赖集F={B→D，AB→C}，候选码是（1），关系R属于（2）。选项A.1NFB.2NFC.3NFD.BCNF分析这道题目考察的是关系数据库的范式（NormalForm）知识点。范式的相关内容：第一范式（1NF）：要求关系中的每个域都是原子性的，即每个字段都是不可分割的

码属性和非码属性在讲函数依赖和范式前，我们需要了解码属性和非码属性码属性就是构成候选码的属性，非码属性就是不构成候选码的属性，主属性是指构成主码的属性候选码是能够确定关系R的最小属性集合，可以有多个，即多种匹配方法，超码就是一个候选码随便加上另一个属性，主码就是候选码中

这里只对第一范式，第二范式，第三范式与BCNF范式做了相应的总结。（用于自己理解）1NF第一范式：属性（原子值）不可分割，即每个字段的值必须是单一的、不可再分的数据项。例如：表中的有animal（动物）列，存放数据为{老虎，猫科，肉食}则这个列里的数据可拆分出来，即无法满足第一范式不可再分的数据项

说明：文章为《数据挖掘：概念与技术原书第03版》的学习笔记，该书是数据挖掘领域的经典之作，想了解更多内容请参阅原著。一、频繁模式基本概念        模式：通常指的是数据中的一种规律、趋势或特征，可以是单一的特征、属性，也可以是多个特征之间的关系或组合；      

数据库系统1关系数据库三层体系结构外部层：数据库的用户视图概念层：数据库的整体视图，提供内、外部层的映射和必要的独立性所有实体，实体的属性和实体间的联系数据的约束数据的语义信息安全性和完整性信息内部层：数据库在计算机上的物理表示数据独立性三层体系的主

‌关系R的候选码是AC。‌这个结论是基于对给定关系R(U,F)的分析，其中U是属性集合，F是属性之间的函数依赖集合。在给定的函数依赖集F中，属性A和C的入度为0，意味着它们不依赖于其他属性，因此它们是候选键的候选。根据数据库理论，任何候选键的组合都可以作为候选键，因此AC的组合是一个候选键

软考--软件设计师（15）--数据库：规范化、控制功能、大数据文章目录软考--软件设计师（15）--数据库：规范化、控制功能、大数据前言一、章节考点二、规范化三、数据库的控制功能四、大数据、数据仓库前言考试时间：每年5月、11月，软件设计师每年都会开考。考试条件：三不限

将C#语言版本升级为预览版C#13包括一些新增功能。可以使用最新的VisualStudio2022版本或.NET9预览版SDK尝试这些功能。若想在.NET项目中尝试使用C#的最新预览版特性，可以按照以下步骤来升级你的项目语言版本：.打开项目文件：找到并打开您的.csproj项目文件。

 禁忌搜索算法的基本思想：给定一个当前解（初始解）和一种邻域，然后在当前解的邻域中确定若干候选解；若最佳候选解对应的目标值优于“bestsofar”状态，则忽视其禁忌特性，用它替代当前解和“bestsofar”状态，并将相应的对象加入禁忌表，同时修改禁忌表中各对象的任期；若不存在上述候选解

一、FastR-CNN简介FastR-CNN是一种基于区域卷积网络(Region-basedConvolutionalNetwork)的快速目标检测方法。是R-CNN作者RossGirshick继R-CNN之后的又一力作，原文链接。与R-CNN相同，FastR-CNN同样使用VGG16作为网络的backbone,FastR-CNN训练非常深的VGG16网络比R-CN

目标检测详解目标检测（ObjectDetection）是计算机视觉领域中的一个重要任务，旨在识别图像或视频中的多个感兴趣对象，并确定它们的具体位置。目标检测不仅需要分类每个对象，还需要精确定位它们在图像中的位置。以下是对目标检测的更深入的介绍。1.基本概念目标检测：识别和定位

5.1目标检测基本概念和YOLOv3设计思想对计算机而言，能够“看到”的是图像被编码之后的数字，但它很难理解高层语义概念，比如图像或者视频帧中出现的目标是人还是物体，更无法定位目标出现在图像中哪个区域。目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的

PersonalizedNewsRecommendationwithKnowledge-awareInteractiveMatching论文阅读笔记Abstract现存的问题：​ 现有的大多数新闻推荐方法都是从文本内容和用户点击的新闻中分别建立候选新闻模型和用户兴趣模型。然而，一篇新闻可能涉及多个方面和实体，而用户通常有不同的兴趣

AMM:AttentiveMulti-fieldMatchingforNewsRecommendation论文阅读笔记Abstract现存的问题：​ 个性化新闻推荐是帮助用户找到感兴趣新闻的关键技术，而如何精确匹配用户兴趣和候选新闻是新闻推荐的核心。现有研究一般通过聚合用户浏览过的新闻来学习用户的兴趣向量，然后将其

NewsRecommendationwithCandidate-awareUserModeling论文阅读笔记Abstract存在的问题：​ 现有的新闻推荐方法通常从历史点击的新闻中建模用户的兴趣，而不考虑候选新闻。然而，每个用户通常都有多个兴趣，并且这些方法很难准确地匹配一个候选新闻与特定用户的兴趣。解决方案：​

LargeLanguageModelsareZero-ShotRankersforRecommenderSystems论文阅读笔记Abstract​ 本工作旨在调查作为推荐系统的排名模型的LLM的能力。我们首先将推荐问题形式化为一个条件排序任务，将顺序交互历史作为条件，并将其他候选生成模型检索到的项目作为候选项。为了解决LL

Candidate–awareGraphContrastiveLearningforRecommendation论文阅读笔记Abstract现存问题：​ 大多数基于gcl的方法使用启发式数据增强方法，即随机节点/边下降和属性掩蔽，来构造对比对，导致重要信息的丢失。解决方案：​ 为了解决基于gcl的方法中的问题，我们提出了一种新的方

~20111.Cross-LanguageEntityLinking文章核心观点：本文介绍了一种新的跨语言实体链接任务，旨在将不同语言的文档中的命名实体与英文知识库中的实体描述进行匹配。作者提出了一种利用统计音译和跨语言信息检索的方法来解决这一任务，并在21种语言上进行了实验验证。实验结果显示，

推荐系统简介计算原理我们把每个用户/视频表示成空间中的一个点。如果两个点越接近，就认为这个用户对这个视频的喜欢程度越高，反之越低。用户点赞这个视频就拉近两点，没点赞就拉远两点的距离。这样就组成了整体推荐系统 推荐系统流程 从海量视频中召回用户感兴趣的视频

[USACO24OPEN]The'Winning'GeneS题目背景注意：本题的内存限制为512MB，通常限制的2倍。题目描述在多年举办比赛并看着Bessie一次又一次地获得第一名后，FarmerJohn意识到这绝非偶然。他得出结论，Bessie一定将胜利写进了DNA，于是他开始寻找这种「胜利」基因。他设计了一

范式简介在关系型数据库中，关于数据表设计的基本原则、规则就成为范式。范式的应为时NormalForm简称NF，范式是关系型数据库理论的基础，也是我们在设计数据库过程中索要遵循的规则和指导方法。目前关系型数据库有六种常见范式，按照范式级别，从低到高分别是：第一范式(1NF)：第一范式

区间维护类的小（？）DS题。感觉我不怎么会。题意目的明确，就是要动态维护每个区间能覆盖的范围。看一看，感觉题目里的条件很神秘，不知道怎么用。不过可以根据特殊性质推出一个性质：存在包含关系一定先选内部。一开始的思路是用区间互相影响计算，但这个非常复杂，且非常假。在写暴力的时候