原创 社區發現 louvain(fast unfolding)算法

整個算法是基於Modularity的計算,然後就是迭代,社區改變,然後收縮,繼續迭代,社區改變,然後收縮,如此以往。 這裏貼上算法的流程: 算法形式化描述 1)初始化: 將圖中的每個節點看成一個獨立的社區,社區的數目與節點個數相同

原创 社區發現 GN算法 fast betweeness算法 代碼分析

何謂社區發現 在社交網絡分析與挖掘中,社區發現是一個常用且重要的應用。 俗話說,物以類聚,人以羣分。社交網絡中的節點也是一樣。經常聚集成好幾團。 (上圖來自百度) 如上圖所示,可以分爲3個節點簇A、B、C。這裏便可以將每個簇稱爲

原创 Java學習-反射的理解

文章目錄寫在前面Class類對象如何獲取Class類對象Class對象有什麼用反射的理解 寫在前面 本文從class對象講起,一步步到反射。基本都是個人理解,部分內容參考了林信良著《java學習筆記》 Class類對象 首先,我們

原创 2020.01.27 再見24號

昨晚失眠了,也不知道因爲失眠,但就是失眠了。早上被初三的炮仗聲吵醒,就拿着平板刷頭條,滿屏都是武漢疫情的新聞,忽的看到萊昂納德逛夜店的新聞,就點進去看,心想這種新聞也值得發?習慣性的劃到底層看評論,見有人在說科比再見,忽然有點慌,

原创 jvm學習 字節碼文件(Class類文件)結構介紹及快速理解

系統學習jvm請點擊jvm目錄 類文件存在的意義 Class類文件,可以叫它字節碼文件,class文件,類文件其實都行。 java代碼無法直接在操作系統上運行,所以必須先轉換成jvm能夠運行的語言,然後再由jvm轉換成操作系統能夠

原创 多線程學習---多線程理解

文章目錄寫在前面此線程非彼線程多線程程序與CPU的關係多線程程序存在意義 寫在前面 大體幾天時間學了些多線程,有一些理解,於是便想着寫篇博客來記錄一下。關於多線程我會多寫幾篇,偏重於自己的思路,偏向於理解。 首先需要一些基礎概念(

原创 jvm學習 CMS垃圾收集器通俗理解

系統性學習請點擊jvm學習目錄 前面講了垃圾回收算法,那麼就開始介紹垃圾回收器吧,總共要寫CMS,G1,Shenandoah和ZGC。 總覽CMS CMS垃圾收集器,其全稱是Concurrent Mark Sweep,併發標記清除

原创 jvm學習 Shenandoah垃圾收集器

系統學習請點擊jvm學習目錄 建議學習Shenandoah之前先學習G1垃圾收集器 前言 Shenandoah垃圾收集器是一個很有意思的垃圾收集器,它是第一款非Oracle公司開發的HotSpot垃圾收集器,以至於Oracle J

原创 爬蟲實戰 谷歌圖片爬取 高清圖片

目標 date:2020.5.25 author:pmy aim:爬取google圖片,關鍵詞cat,兩百張高清圖(非縮略圖) 現階段:能夠實現目標。在之前爬取谷歌圖片的基礎上(縮略圖),這次進行了改進,爬取高清大圖。 存在問題:

原创 JDBC學習-JDBC入門

文章目錄JDCB概念使用步驟JDBC相關接口靜態SQL與預編譯SQL數據庫連接池 JDCB概念 Java Database Connectivity,數據庫連接。 何謂JDBC,我們要使用java語言來操作數據庫,然 數據庫有很多

原创 jvm學習 java代碼的運行過程

系統性學習jvm請點擊jvm學習目錄 前言 在之前,我們講了java內存佈局,講了垃圾收集,將了字節碼文件,其實這些東西都很抽象,看了之後也很難和具體我們寫的代碼相聯繫起來,相信很多人其實都更關心自己的代碼是如何運行的。希望對ja

原创 Supplementary Materials for The spread of true and false news online 解讀

前言 本文針對發表自science上的文章The spread of true and false news online一文的Supplementary Materials的前20頁進行解讀。 該文章主要講的是,在社交媒體中,假

原创 異構信息網絡詳解

異構信息網絡 信息網絡是知識表示的結構化文本方式,網絡中包含一系列節點以及節點和節點之間的邊。信息網絡的經典例子如文獻信息網絡,其結構反映了儲存在節點裏的信息的結構,所以稱爲信息網絡。另一個經典的例子就是萬維網,對於這些網絡

原创 jvm學習 類加載階段與類加載器

本篇文章寫的很好,便於理解,所以類加載器這一塊我就不自己寫的,直接轉載。同時,這裏ExtClassLoader是jdk1.8以前的叫法,現在叫PlatformClassLoader。 本篇文章轉載自https://blog.csd

原创 Hashtag-Based Sub-Event Discovery Using Mutually Generative LDA in Twitter 閱讀筆記

《Hashtag-Based Sub-Event Discovery Using Mutually Generative LDA in Twitter》 該文章來源於Thirtieth Aaai Conference on Art