知识共享平台开发——小细节【分数保留小数点问题】

LLM驱动的企业知识共享系统:从RAG到认知编排的实战落地 知识共享是企业数字化转型的核心基础设施,其本质是将隐性经验转化为可调度、可验证、可嵌入工作流的结构化能力。传统RAG依赖向量检索,面临语义割裂、知识衰减与幻觉频发等瓶颈;而大语言模型(LLMs)的价值不在于替代人工问答,而在于支撑任务驱动的认知编排——即基于上下文动态调用知识图谱、执行规则推理并生成可操作建议。本方案以Qwen2-7B为基座,融合GraphRAG构建带置信度的三元组图谱,并通过自研有限状态机引擎实现高可靠推理,真正让知识‘长’进Jira、飞书、ERP等现有系统。适用于知识复用难、专家经验断档 阅读详情
1)平均分数取一位小数
JSP:
 <span><fmt:formatNumber value="${v.totalScore / v.scoreCount }" maxFractionDigits="1"></fmt:formatNumber></span> 分


JS的Ajax:
docListHtml = docListHtml +" "+Math.round((list[i].totalScore / list[i].scoreCount)*10)/10+" 分

为方便统一通过get方法提供:getAccuAverScore()获取精确评分,getAverScore()画星星()画星星
【论文导读】- Cluster-driven Graph Federated Learning over Multiple Domains(聚类驱动的图联邦学习) 联邦学习( Federation Learning,FL )是在隐私受限的场景中学习一个中心模型(即服务器),其中数据存储在多个设备(即客户)上。中心模型不直接获取数据,只对每个客户端本地计算的参数进行更新。这就产生了一个问题,称为统计异质,因为客户可能具有不同的数据分布(即域)。聚类可以通过识别领域来降低异构性,但是它剥夺了每个集群模型的数据和其他人的监督。本文提出了一种新的聚类驱动的图联合学习( Fed CG )。 阅读详情

相关推荐

LLM应用开发:四大可观测性与评估平台(Langfuse/LangSmith/Braintrust/Arize)深度对比与选型指南

在构建和部署大型语言模型(LLM)应用时,可观测性与评估是确保应用质量、性能和成本可控的关键环节。其核心原理在于通过追踪、记录和分析LLM应用的每一次交互,洞察模型行为、提示词效果及系统性能。这项技术的价值在于,它使开发者能从“黑盒”调用转向数据驱动的迭代优化,有效管理模型幻觉、响应延迟和运营成本。典型的应用场景包括提示词工程调试、多模型A/B测试、生产环境监控以及合规性审计。针对这些需求,市场涌现了如**Langfuse**、**LangSmith**等专业平台,它们分别以开源自托管、深度框架集成等不同特

weixin_34344403的博客 435

机器学习中的知识共享:技术与策略

1.背景介绍 机器学习(Machine Learning)是人工智能(Artificial Intelligence)的一个重要分支,它涉及到计算机程序自动学习和改进其行为方式的方法。在过去的几年里,机器学习技术已经取得了显著的进展,并在各个领域得到了广泛应用,例如图像识别、自然语言处理、推荐系统等。 知识共享(Knowledge Sharing)是指不同来源的知识之间的交流、传播和利用。在机...

AI天才研究院 1171

OpenAI提示工程团队知识共享机制深度拆解:架构师视角的5大亮点

当GPT-4能够通过单个提示词完成从代码生成到复杂推理的任务时,「提示工程」已从AI领域的边缘技能升级为核心竞争力。但鲜为人知的是,提示工程的价值不仅取决于个体经验,更依赖团队级知识的沉淀与流动。OpenAI提示工程团队(Prompt Engineering Team,PET)作为全球顶尖的提示工程实践群体,其内部知识共享机制一直是行业未解之谜——他们如何让数百名工程师在短短几年内积累的数万条提示模板、失败案例、优化经验形成合力,支撑GPT系列模型的快速迭代?

大模型应用工坊 795

【基于UML软件建模的在线学习平台】

随着教育事业的改革,国家对高等教学逐渐得到重视。但是传统的高校间教学教育无法在学生与老师之间形成反馈,还是停留在简单的知识共享的初级阶段,往往不能达到教学目的。

qq_41918580的博客 1323

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

《计算机科学概论(第13版)》5-12章

定序是按给定语句的顺序应用每个算法步骤。(primitive):建立一组定义明确的构建块,利用它们来构造和执行算法的表示。可以消除歧义,不会引起误解,就像咱们传统的自然语言(用英语来沟通交流)。(programming language):原语的集合以及说明如何组合这些原语来表示比较复杂的想法的规则集合。用程序设计语言描述的算法可以在计算机上执行。每个原语都有自己的语法和语义,语法指的是原语的符号表示,语义是指该原语的含义。伪代码:用户开发过程中非正式表达想法的符号系统。

输入知识,消化知识,输出知识,分享知识,教人让我学习更好,业精于勤荒于嬉,行成于思毁于随 1036

探索CTF_AWD_Platform:一个创新的安全竞技与学习平台

探索CTF_AWD_Platform:一个创新的安全竞技与学习平台 CTF_AWD_PlatformCTF 攻防对抗平台项目地址:https://gitcode.com/gh_mirrors/ct/CTF_AWD_Platform 是一个由xuchaoa开发的开源项目,旨在提供一个安全竞赛和知识共享的环境。这个平台融合了Capture The Flag(CTF)游戏元素和动态Web应用防御理念,...

gitblog_00032的博客 790

2.6 SST的核心性能指标体系

本文构建了固态变压器(SST)的核心性能指标体系,涵盖电气性能、可靠性、经济性和环境适配性四大类指标。电气性能指标包括运行效率(≥97%)、功率密度(≥900kVA/m³)、谐波畸变率(≤3%)等关键参数;可靠性指标设定MTBF≥43800h、年均故障率≤1.2次/年等标准;经济性指标对比分析了初始购置成本(45-55万元)和全生命周期成本(48-55万元);环境适配性指标则明确了温度、海拔等工况要求。该体系采用量化公式和国标限值,为SST的性能测试、选型和优化提供了统一标准。

技术工作者 607

为何 987654321/123456789 的值是 8.0000000729

有时候,发现 987654321/123456789=8.0000000729 为什么后面还有几个数字? 本文告诉大家,后面几个是如何算的

lindexi 3609

AD620单电源应变片测量电路分析

笔者最近在用AD620做应变片的压力检测电路,正好AD620的datasheet中有对于应变片压力测量的应用电路,参考该电路进行设计及实验后发现该电路存在些许问题,并对其进行了优化改进。本文纯属个人理解,供大家参考,欢迎批评指正。 AD620应用电路分析及优化 应用电路分析 AD620手册中原电路如下(加了部分标注以便分析): 该电路中,前半部分比较明显,为经典的AD620放大电路结构:四个应变...

拙诚电子工作室 1万+

基于QT+Halcon实现线序识别

一、线序识别算法步骤。 1.按照检测区域m_pItem1的外接矩形(rtBount)的大小, 截取感兴趣区域图像hRoi。 2.把截取出来的感兴趣区域图像hRoi, 分离出R、G、B三个通道hRed、hGreen、hBlue。 3.把hRed、hGreen、hBlue三个通道转换成cielab颜色空间, 得到hChannelL、hChannelA、hChannelB三个颜色图。 4.设m_pItem1的宽为iItemW, 高为iItemH. 分别申请大小为iItemW的pSumL、pSumA、pSumB内

专注现代C++实战,从核心语法到高性能编程,助力开发者深入掌握系统级编程精髓。 1750

考研考公知识平台技术架构与优化实践

在线教育平台的技术架构设计需要兼顾高并发访问与个性化推荐两大核心需求。基于JavaWeb的三层架构结合Spring Boot和Vue.js等主流框架,可以实现稳定的系统基础。通过多级缓存策略和读写分离技术,有效应对题库高并发查询场景。智能推荐系统融合协同过滤与内容分析算法,提升学习资源匹配精准度。在工程实践中,WebSocket实时通信和分布式文件存储等方案解决了消息延迟和大文件上传等典型问题。这类教育科技平台特别需要注意考试防作弊设计和敏感内容过滤,确保学习环境的公平性与安全性。通过JVM调优和SQL优化

weixin_28452161的博客 209

手把手教你搭建工业级C#上位机:完整架构+通信+配置+日志,新手也能落地(附全套源码)

模型层是“数据容器”,统一数据格式,避免参数传递混乱。本文搭建的C#上位机,采用“分层+模块化”架构,解耦了UI、通信、配置、日志四大核心功能,不仅满足工业场景的基础需求,还为后续扩展打下基础。新手跟着步骤走,既能掌握上位机的核心开发技能,又能理解工业级项目的架构设计思路。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1158

花了三个月时间使用云开发+cms后台开发了一个答题小程序,含题库分类、章节练习、模拟考试、会员付款,会员机制等

在校生靠小程序赚钱的方法

qq_62696650的博客 1060

Android 13 灭屏音乐播放问题解决与优化建议

通过在中增加对音乐播放状态的检测,我们成功解决了客户应用在灭屏状态下音乐播放被中断的问题。

m0_60898338的博客 1158

基于 STM32 的智能冰箱食材管理与过期提醒系统设计

define MAX_FOOD 20 // 最多存储20种食材#define EXPIRE_WARN 3 // 剩余≤3天触发提醒// RFID卡号4字节// 食材名称// 保质期(天)// 入库日期// 0=空槽,1=有效。

weixin_42300449的博客 59

一站式企事业内部培训考学平台源码及功能剖析,在线移动培训考学平台,企业版抖音

总之,企业培训考学知识库管理系统旨在为企业提供一个全面、高效、便捷的培训和考试解决方案,帮助企业提高员工的技能和知识水平,增强企业的竞争力。企业培训考学知识库管理系统是一个综合性的平台,用于支持企业的培训和考试需求。

2301_81867536的博客 760

RT-DETR改进前必看 - Ultralytics调参 1:1还原RT-DETR官方版本实验环境,更方便改进

的项目文件中集成了YOLOv3v5v6v8v9v10rt-detr11以及其中不同大小的模型结构,更方便我们学习和使用。的参数配置在路径下,其中中设置了模型在训练Train验证Val/Test预测Predict可视化Visualize导出Export超参数Hyperparameters、以及跟踪Tracker的相关参数。在调参过程中主要涉及训练Train和超参数Hyperparameters。下面主要介绍一下初始超参数Hyperparameters。

Limiiiing的博客 7976

Product Analysis (Recruitment)

Product Analysis (Recruitment)

qq 117791303 311

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

高绩效开发者必备:表现心理学原理与工程实践指南

表现心理学作为认知科学的重要分支,研究人类在特定任务中达到卓越表现的心理机制。其核心原理包括心流状态、认知负荷理论和成长型思维模式,这些理论为技术工作者提供了科学的效能提升框架。在工程实践中,通过合理管理认知负荷和创造心流触发条件,开发者能够显著提升编码效率和问题解决能力。特别是在复杂系统开发、高并发场景处理等技术挑战中,表现心理学的应用价值尤为突出。本文基于心流状态和认知负荷管理等热词,深入探讨高绩效开发者的习惯体系构建方法,帮助技术人员在高压环境下保持稳定产出,实现技术能力与心理素质的协同发展。

weixin_34087307的博客 357

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

基于零样本学习的轧机轴承故障诊断研究

在测试推理阶段,当遇到未知故障类别的样本时,属性识别器首先将其多维特征映射到属性语义空间中获取对应的属性向量表示,然后在属性知识共享空间中引入基于欧氏距离的分类策略,计算该属性向量与所有候选故障类别原型属性向量之间的距离,将距离最近的类别作为最终的诊断结果。最后将所筛选的分量进行叠加重构,获得降噪后的纯净信号。受此启发,本研究将模型中参数量最密集的局部网络层替换为具有可训练激活函数的轻量化结构,使得每个神经元的激活函数不再固定为预设的形式,而是在训练过程中根据数据的分布特点自适应学习最优的非线性变换形态。

坷拉博士 433

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Java Web 英语互助(微信端)系统源码-SpringBoot2+微信小程序+MyBatis+MySQL8【含文档】

直接拿走,意外获得200多套代码,需要的滴我Java Web 英语互助(微信端)系统源码-SpringBoot2+微信小程序+MyBatis+MySQL8【含文档】(可提供说明文档(通过*AIGC*)

rxy1176073894的博客 1006

基于SpringBoot的考研咨询平台系统

摘要:本文介绍了一个基于SpringBoot的考研咨询平台系统。该系统为考研学生、教育机构和高校提供一站式服务,整合院校信息、备考资源、专家咨询等功能模块。采用SpringBoot+Vue技术栈,包含用户管理、资讯发布、资源分享、互动社区等核心功能,具有智能推荐、数据分析和专家生态等创新点。系统通过容器化部署和持续集成,支持高并发访问,为考研群体提供精准服务。文章还展示了系统界面截图,并提供了获取源码和技术支持的渠道。(149字)

qq_1694456187的博客 614

DeepSeek-V3 解析第二篇:DeepSeekMoE

📚 本文也是我们【LLM 架构演化系列】的第二篇,聚焦 DeepSeek-V3 的 MoE 架构创新。如果你正研究大模型性能优化或架构设计,欢迎参考本系列其他内容,我们也整理了多份内部实验图与流程笔记,读者留言即可交流获取。

JellyAI的博客 1117

促进低年级学生知识共构:基于概念图的在线合作问题提出方法

问题提出被视为一种潜在的引导学生深入思考的方法,然而,如果缺乏足够的支持,大多数学生在提出质量问题时可能会遇到困难。本研究提出基于概念图的在线合作问题提出(CM-OCPP)方法,指导学生在在线协作学习环境中完成问题提出任务。

2601_96558704的博客 218
上一篇: Hibernate - DetachedCriteria 的完整用法
下一篇: 知识共享平台开发——配置记录
分号不回车
博客等级 码龄17年 4粉丝 85原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值