首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    用Python预测2020年十一交易额

    作者:林骥 去年双十一的时候,我曾复盘过阿里巴巴 2019 年双十一交易额。 今年的双十一,规则发生了很大的变化,从 10 月 21 日就开始预售,11 月 1 日到 3 日启动第一波销售。...另外,市场环境也发生了很大的变化,疫情对双十一的影响到底有多大?是正向的影响还是负向的影响?各种不确定性的因素交织在一起,无疑会大大增加预测的难度。...LinearRegression()) ]) poly_reg.fit(x, y) # 调用算法进行预测 predict = poly_reg.predict(z) # 输出预测结果 print('预测2020年十一交易额为...%.0f 亿元' % predict[0]) print('算法评分为 %.6f' % poly_reg.score(x, y)) 输出结果为: 预测2020年十一交易额为 3280 亿元 算法评分为...np.concatenate([x, z]) y2 = poly_reg.predict(x2) ax.plot(x2, y2, '--', c='#999999') ax.set_title('\n预测2020年十一交易额为

    1.6K30

    首次揭秘1112背后的云数据库技术!| Q推荐

    从 2009 年到 2021 年,从千万交易额到千亿交易额, 11 已经开展了 12 年。如今,每年的 11 以及一个月后的 12,已经成为真正意义上的全民购物狂欢节。...刚刚过去的 2021 年 11,就有超过 8 亿消费者参与。 与攀升的交易额和参与人数相反, 11 的主要阵地“淘宝 APP”、 12 的主要阵地“天猫 APP”的崩溃情况逐年减少近无。...是什么样的数据库撑起了 2021 年的 11 12 的稳定进行?...《数据 Cool 谈》第三期,阿里巴巴大淘宝技术部 12 队长朱成、阿里巴巴业务平台 11 队长徐培德、阿里巴巴数据库 11 队长陈锦赋与 InfoQ 主编王一鹏,一同揭秘了 11 12 背后的数据库技术...在 11 12,这种方式的弊端会被进一步放大。数据显示,在 11 秒杀系统中,秒杀峰值交易数据每秒超过 50 万笔,是一个非常典型的电商秒杀场景。

    31.8K50

    备战2018十一,电商平台需要什么“黑科技”?

    每年的双十一,更是“羊毛党”攫取利益的最佳时机。据统计,2017“11”全网总销售额达2539.7亿元。巨大的市场潜力,也在验证着坊间传言“薅上一天,够吃一年”。...今年的双十一电商节已经启动,猖獗的羊毛党还会有什么新颖的手段?同时,对于电商平台而言,究竟用什么手段才能摆脱这些“看不见的客人”?...双十一背后的黑产狂欢: 专业工具、全链条潜伏、月入百万 近年来,“羊毛党”的踪迹几乎遍及每一处有优惠、红包、打折的地方,甚至连社交平台上的抽奖也不“放过”,不禁令人惊叹其搜刮福利的能力。...备足了弹药和武器之后,浩浩荡荡的羊毛党大军便走进了每年的双十一电商节。...腾讯云天御来帮忙 今年的双十一已进入倒计时,面对黑产大军的“黑云压城”,电商平台又该如何应对?如何精准识别恶意行为成为反制羊毛党的关键。

    5.7K30

    推荐系统遇上深度学习(三十一)--使用自注意力机制进行物品推荐

    整个网络是在度量学习(metric learning)的框架下进行训练,实验表明该方法可以在很大程度上改善序列化推荐的效果。接下来,我们就一探究竟。 1、为什么要用自注意力机制?...推荐系统中,很多情况下我们使用用户的历史交互数据进行推荐,比如点击数据、浏览数据、购买数据等等。...使用这些交互数据进行推荐,我们可以把推荐问题当作一个序列问题,即通过历史交互中的物品序列来预测用户下一个可能发生交互的物品。 既然是序列问题,常用的解法主要有RNN和CNN。...2.4 模型训练 综合短期兴趣和长期兴趣,模型的整体架构如下: 综合两部分,我们便可以得到用户对于某个物品的推荐分,这里推荐分越低,代表用户和物品越相近,用户越可能与该物品进行交互: 而模型采用pair-wise...由这篇论文也可以看出,自注意力机制、Transformer不仅仅在NLP领域得到应用,推荐系统领域也开始尝试,所以学好这个模型是十分必要的呀!

    1.8K10

    房产众筹成2014年十一最经典跨界活动

    11月11日正在成为中国人的购物狂欢节,朋友圈在这几天呈现出井喷的态势,关于双十一的内容让人看不过来。...与往年不同的是,今年双十一不再是阿里的节日,而是所有电商平台乃至实体商家的购物节,不少传统企业试着搭上这艘营销快船,争夺着用户的注意力和消费预算。...超越金融和众筹本身的跨界互联网金融 毫无疑问,在预热之后趁着双十一的东风,这一次活动可以获得大量的支持。传统众筹商业模式主要是手续费,但京东金融志不在此,因为这次的众筹资金最终都会返还。...,显而易见,这次双十一跨界活动正是奔着“门槛低、新奇好玩、生活品质和参与感”这些目标去的。...互联网金融本身就是跨界产物,这一次搭上双十一快车,与过去相隔万里的房地产结合在一起,更是超级跨界。京东众筹与远洋地产联合的双十一众筹买房活动,算得上一次经典的跨界营销,算得上今年双十一黑马案例。

    7K50

    Lighthouse长安链给你答案

    近期,腾讯云 Lighthouse 长安链又叒叕的升级啦!...Lighthouse「免建链、低成本、一键使用」长安链 通过长安链开发者社区调研发现,有60%以上的开发者希望通过云服务来开发部署区块链,而腾讯云 Lighthouse 正是一款秉持着让开发者更简单、轻量化使用优质云服务为初衷...与此同时,缺少底层开发资源,构建底层基础设施难度大,长期以来成为广大区块链开发者应用开发的阻力,Lighthouse 围绕着业内首个自主可控的区块链软硬件体系——长安链,适时的推出了 Lighthouse...Lighthouse 长安链满足 Web3.0 应用特性 同时,长安链还是一款可支持 Web3.0 应用的区块链开源底层框架,此次 Lighthouse 长安链镜像的升级,可以更好满足有学习、研究、测试...推荐阅读:快速使用长安链

    58210

    对线面试官-Redis 十一 | 写一致性问题

    Redis写一致性问题解决方案的终结篇 在之前的文章中有介绍过关于缓存一致性的问题,那么为什么还要出一篇文章来再次说明呢?...是因为之前的文章主要讲述了高并发架构下缓存一致性问题可以通``延时删进行解决,高可用架构(读写分离)采用的是先更新数据库,然后再删除缓存,并最后采用重试机制进行避免。...面试官:在实际的工作中,你们Redis是如何保证缓存与数据库的写一致性呢? 面试官心理分析:主要考察实际工作中到底是使用没使用过Redis,因为使用过Redis的话一定会遇到写一致性的问题。...这种方式只能是解决掉简单的缓存架构(高并发架构)的写一致性的问题(当然这种解决法方式在高并发的情况下也是有线程安全问题,真正的解决方案是延时删) 。...派大星:好的,其实采用之前文章的延时删的方案在流量并不是很多的情况下已经可以解决。但是如果是亿万级流量或者流量真的很高的情况下。采用那种方案是远远不够的。

    24410

    推荐系统遇上深度学习(二十一)--阶段性回顾

    推荐系统中,CG即将每个推荐结果相关性(relevance)的分值累加后作为整个推荐列表(list)的得分。即 ?...这里, rel-i 表示处于位置 i 的推荐结果的相关性,k 表示所要考察的推荐列表的大小。...image 从上面的式子可以得到两个结论: 1)推荐结果的相关性越大,DCG越大。 2)相关性好的排在推荐列表的前面的话,推荐效果越好,DCG越大。...而我们评估一个推荐系统,不可能仅使用一个用户的推荐列表及相应结果进行评估, 而是对整个测试集中的用户及其推荐列表结果进行评估。...关于推荐系统评价指标更多的知识,可以看之前总结的两篇文章: 推荐系统遇上深度学习(九)--评价指标AUC原理及实践 推荐系统遇上深度学习(十六)--详解推荐系统中的常用评测指标 相关的代码实现在这里:

    2.8K30

    【技术种草】双十一 !一大波建站优惠来袭,这不薅点来建站?

    个人建站方案 目前,相对于个人,网站流量没那么大,不管是否是静态网站,我都推荐使用直接上服务器。 买了服务器,没有域名怎么行?所以,这里推荐买服务器的同时,趁着双十一优惠,买个域名和CDN流量包。...另外,综合看了一下: 推荐的服务(面向个人或中小团队),推荐程度: 轻量应用服务器(LH) > 云服务器(CVM) 主要原因:个人项目,流量不大,需要的计算量和资源也不多,用LH这样给定带宽、给定流量包就足够了...无忧套餐 这次的双十一,对无忧套餐很友好呀。腾讯云Lighthouse的无忧活动是一直都在的。...虽然需要拉人助力,新购不可用优惠券,但是续费可以使用优惠券:https://cloud.tencent.com/act/lighthouse [轻量应用服务器] 前文不是领到这些优惠券么?...,得京东卡: [拉新活动] 我个人推荐,先注册一个CPS推广者(传送门),之后再拉小伙伴购买,奖励叠加。

    19.3K40

    面试官:为什么在系统中不推荐写?

    作业调度中间件 Elastic-Job 源码解析 分布式事务中间件 TCC-Transaction 源码解析 Eureka 和 Hystrix 源码解析 Java 并发源码 来源:孤独烟 引言 正文 背景介绍 写缺点...主要分为以下三个部分 (1)背景介绍 (2)写缺点 (3)改良方案 基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持...那么,写会带来什么坏处呢?OK,继续往下看! 写缺点 一致性问题打个比方我们现在有两个client,同时往两个DataSouce写数据。...如果采用写的方法,是避不开这个问题的! 那么有没有通用的办法来解决这些问题呢?有的,只要能按顺序记录数据的变更即可!那具体怎么做呢,我们继续往下看!...直接提取数据变化到kafka中,其他数据源从kafka中获取数据,避免了直接写从而导致一致性和原子性问题。 基于微服务的思想,构建在 B2C 电商场景下的项目实战。

    2.4K10

    TKDE2023 | 基于曲图学习的社交推荐算法

    TLDR: 本文将社交推荐任务建模在曲空间学习之下,并提出了一种基于曲图学习的社交推荐模型。...具体的,其设计了一个曲社交预训练模块以保留社交结构作为特征,并从显式的异质图学习和隐式的特征增强两方面缓解社交推荐存在的问题。...最近,一些研究探索了将图嵌入学习转移到曲空间的替代方法,曲空间可以保留现实世界图的层级结构。 然而,直接将当前的曲图嵌入模型应用于社交推荐并非易事,因为存在两大挑战:网络异质性和社交扩散噪声。...为了解决上述挑战,本文提出了一种基于曲图学习的社交推荐(HGSR)模型。首先,利用曲社交嵌入的预训练来探索社交结构,这可以保留社交网络的层级特性。...总之,本文提出了一种新颖的HGSR模型用于曲空间的社交推荐。为了利用社交影响扩散引入的异质性和噪声问题,设计了一种社交预训练增强的曲异质图学习方法。

    40110

    推荐系统(十一)——「华为」因果推断+信息瓶颈进行表征解耦纠偏

    本文利用信息论中的信息瓶颈(这边可以理解为互信息,文中用到的都是互信息)理论结合因果推断中的因果图,来对推荐系统进行纠偏。...纠偏的背景就不过多介绍了,简而言之就是,反馈和推荐之间关系,以及热门和冷门item对推荐的影响。具体案例可以看前几篇纠偏相关文章。...公式太长可以左右滑动 背景 如图所示,图a是常见的有偏推荐系统的因果图,其中Treatment表示推荐系统的干预,结合之前因果推断的相关知识,可以明显发现因果图中存在混杂因子。...而这里的混杂因子C就是表示推荐系统中常见的流行度偏差、位置偏差等。

    1.3K30
    领券