使用 Elasticsearch 和 AI 構建智能重復項檢測

作者：來自 Elastic?Dayananda Srinivas

探索組織如何利用 Elasticsearch 檢測和處理貸款或保險申請中的重復項。

Elasticsearch 帶來了大量新功能，幫助你為你的使用場景構建最佳搜索方案。深入了解我們的示例 notebooks，開始免費云試用，或立即在本地機器上嘗試 Elastic。

想象這個場景：一位客戶在周一以 “Katherine Johnson” 申請了一筆 $50,000 的貸款，然后在周三又以 “Kate Johnson” 提交了另一份申請。是同一個人，同一個地址，但你的系統將他們視為不同的申請人。結果？重復批準、違規操作、嚴重財務損失。

這個挑戰遠不止簡單拼寫錯誤，它涉及復雜的欺詐手段、真實用戶失誤，以及人們實際填寫表單時的各種情況。當你的重復檢測失效時，你不僅是在虧錢 —— 你還在違反監管規定，破壞客戶信任，并引發運營混亂。

讓我們構建一個可以在后端處理數千份申請時捕捉這些重復項的解決方案。借助 Elasticsearch 的音近搜索能力和 LLM，我們將打造一個既強大又實用的系統。

重復檢測的隱藏復雜性

重復檢測的挑戰遠比多數組織意識到的更深。以下是真實場景中傳統系統難以應對的情況：

姓名變化誤導系統：

  • 經典拼寫錯誤："John Smith" vs "Jon Smith" vs "Jonathon Smith" —— 是拼寫錯誤，還是不同的人？

  • 發音混淆："Shawn" vs "Shaun" vs "Sean" vs "Shon" —— 發音相同，拼寫不同

  • 昵稱與變體："Alexander" vs "Alex" vs "Xander" —— 同一個人，多種稱呼

地址差異帶來盲區：

  • 街道縮寫："123 Maple Street" vs "123 Maple St" vs "123 Maple Avenue" —— 同一地址，不同寫法

  • 公寓表示差異："Unit 5, 42 Elm Road" vs "42 Elm Rd, Apt 5" —— 同一地址，不同結構

  • 城市名稱混淆："Los Angeles" vs "LA" —— 地理名稱的不同表達

家庭關系使檢測復雜化：

  • 名字相似、地址相同："Bob Brown" 和 "Rob Brown"，住在 "789 Pine Rd" —— 他們是雙胞胎，不是重復

  • 世代后綴："James Carter Sr." vs "James Carter Jr." —— 一個字母的差異卻意義重大

如果沒有可靠方式標記這些重復記錄，組織可能無意中為同一客戶批準多筆貸款或保險單，違反資格規定，增加違約風險，并帶來收入損失。

解決方案

通過將 Elasticsearch 與現代 AI 模型結合，我們可以構建一個智能、可擴展且高性價比的重復記錄識別與清除方案。

姓名的音近搜索：
Elasticsearch 支持音近算法，能識別發音相同但拼寫不同的名字。例如，“Smith” 和 “Smyth” 被視為相同，因為發音一致。這使系統能夠發現簡單文本匹配無法識別的重復項。你可以將其理解為教搜索引擎像人一樣? “聽” 名字 —— 讓 “John” 和 “Jon” 被認為是同一個人。

處理地址格式差異：
用戶輸入的地址格式往往各不相同。我們使用 AI 模型生成地址的不同形式或同義詞 —— 如 “Syd.” 和 “Sydney”、 “Bengaluru” 和 “Bangalore” —— 并利用這些變體優化 Elasticsearch 查詢。即使用戶輸入與系統存儲內容不完全匹配，也能實現地址匹配。

使用 AI 進行去重判斷：
當我們從 Elasticsearch 檢索到可能重復的記錄后，將其傳遞給 AI 模型進行去重判斷。雖然我們也可以使用 Levenshtein 或 Jaro-Winkler 等算法，但當涉及更多字段（如出生日期、身份證號或電話號碼）時，邏輯會變復雜。AI 模型提供了靈活性，能夠整體分析數據，簡化判斷邏輯，更容易在多個字段間識別真正的重復項。

架構概覽

以下是該解決方案的高級工作流程：

親自體驗一下！

先決條件與設置

在進入具體實現之前，我們先確認所需的全部內容。

所需基礎設施

  • Elasticsearch 集群 —— 你需要訪問一個 Elasticsearch 集群。本次設置中，我使用的是 Elastic Cloud 托管的 Elasticsearch 9.0.0 版本。如果你還沒有集群，有以下兩種選擇：

    • Elastic Cloud —— 你可以在這里創建一個新集群，并選擇 Elastic Cloud 托管或 Elasticsearch Serverless 選項。

    • 本地設置 —— 如果你更喜歡本地運行，可以使用這里提供的腳本快速啟動一個集群。

  • Phonetic Analysis 插件 —— 為支持姓名音近匹配，請確保你的 Elasticsearch 安裝已啟用 Phonetic Analysis 插件。

  • Ollama LLM 服務器 —— 鑒于我們要處理姓名、地址、出生日期等敏感信息，建議使用本地 LLM。可以使用 Ollama 運行輕量模型如 LLaMa 3.2 8B。它運行快速、本地部署，適合此類數據處理。

    • 先從這里下載并安裝與你操作系統兼容的 Ollama 版本。

    • 安裝完成后，運行 ollama run llama3:8b 拉取并運行該模型。

  • 樣例數據集 —— 為測試設置并模擬真實場景，我準備了一個包含姓名、地址等細微差異的小型數據集。你可以從此鏈接下載包含 101 條記錄的樣例數據集。

下方是樣例數據集的截圖：

開發環境：

!pip install elasticsearch==9.0.2
!pip install pandas==2.2.2
!pip install -U langchain-community==0.3.26
!pip install -U streamlit==1.46.1
!npm install -g localtunnel@2.0.2

這些安裝提供以下功能：

  • elasticsearch：用于連接 Elasticsearch 的客戶端庫

  • pandas：用于數據處理和 CSV 操作

  • langchain-community：用于集成 OpenAI，進行 AI 分析

  • streamlit：用于構建交互式網頁界面

  • localtunnel：用于將本地開發環境暴露到公網

第 1 步：連接到 Elasticsearch

我們需要 Elasticsearch 的 endpoint 和 API Key 進行身份驗證。

獲取你的 Elasticsearch endpoint：

  • 登錄 Elastic Cloud
  • 進入你的部署
  • 從部署概覽中復制 Elasticsearch endpoint

創建 API key：

  1. 從你的部署中打開 Kibana
  2. 進入 Stack Management → API Keys
  3. 創建一個新的 API key 并妥善保存

當你獲取到憑證后，建立連接。

將下面的代碼保存并執行，文件名為 “es_connect.py”。記得填寫 ES_URL 和 API_KEY 的值。

from elasticsearch import Elasticsearch,helpers
import os# Set environment variables
os.environ["ES_URL"] = ""
os.environ["API_KEY"] = ""# Use them
es = Elasticsearch(hosts=[os.environ["ES_URL"]],api_key=os.environ["API_KEY"]
)
# Test the connection
if es.ping():print("? Connected to Elasticsearch!")
else:print("? Connection failed.")

第 2 步：創建索引模板

我們重復檢測系統的核心在于索引配置，尤其是我們指示 Elasticsearch 根據姓名生成音近編碼的部分。我們將創建一個索引模板，使用姓名的音近匹配以及地址的最佳匹配。

了解語音分析器：

我們的模板使用了兩種音近算法：

  • Double Metaphone：處理復雜的發音變化，適用于多樣化的姓名

  • Soundex：為發音相似的姓名提供一致的編碼

以下是完整的索引模板。

將下面的代碼保存并執行，文件名為 “create_index_template.py”

from es_connect import es
# Define the index template
index_template = {"index_patterns": ["names-*"],"settings": {"index": {"analysis": {"filter": {"my_dmetaphone_filter": {"replace": "false","type": "phonetic","encoder": "double_metaphone"},"my_soundex": {"type": "phonetic","encoder": "soundex"}},"analyzer": {"name_analyzer_soundex": {"filter": ["lowercase","my_soundex"],"tokenizer": "standard"},"name_analyzer_dmetaphone": {"filter": ["lowercase","my_dmetaphone_filter"],"tokenizer": "standard"}}},"number_of_shards": "1","number_of_replicas": "1"}},"mappings": {"properties": {"address": {"type": "text","fields": {"keyword": {"ignore_above": 256,"type": "keyword"}}},"name": {"analyzer": "name_analyzer_dmetaphone","type": "text","fields": {"soundex": {"analyzer": "name_analyzer_soundex","type": "text"}}}}}}# Create the template
try:response = es.indices.put_template(name="name-search",body=index_template)print("Index template created successfully:", response)
except Exception as e:print("Error creating index template:", e)

這個模板的作用：

  • 音近處理：在索引時，姓名會自動轉換為音近編碼

  • 多字段分析：每個姓名同時使用 Double Metaphone 和 Soundex 進行分析

  • 地址優化：地址同時支持全文匹配和精確匹配的索引方式

  • 靈活匹配：該模板支持多種搜索策略，適用于不同使用場景

第 3 步：加載并索引數據

現在，我們來加載樣例數據集，并將其索引到 Elasticsearch 以便進行搜索。將以下代碼保存并執行，文件名為 “index_csv_data.py”

import pandas as pd
from es_connect import es, helpers
file_path = input("Enter the path to your CSV file: ")
try:df = pd.read_csv(file_path)print("\nFirst 5 rows of the file:")print(df.head())
except Exception as e:print(f"Error reading the file: {e}")# Define the index name where the data will be ingested
INDEX_NAME = 'names-search'def generate_bulk_data(df):for index, row in df.iterrows():yield {"_index": INDEX_NAME,"_source": row.to_dict() }
# Delete if index already exists
if es.indices.exists(index=INDEX_NAME):es.indices.delete(index=INDEX_NAME)print(f"Index '{INDEX_NAME}' deleted.")try:response = helpers.bulk(es, generate_bulk_data(df))print("Data ingestion complete!")print(f"Indexed {response[0]} documents successfully.")
except Exception as e:print("Error during bulk ingestion:", e)

第 4 步：啟動 Llama 模型并生成地址變體

獲取用戶輸入的地址，并通過調用 LLM 生成該地址的多種變體，以處理一些細微差異。

例如，如果用戶輸入 "123 Maple St., Syd"，模型將生成關鍵詞，如 ["123 Maple St., Sydney", "Street", "Str", "Sydnei", "Syd"]。

# Import required libraries
import pandas as pd
import streamlit as st
import json
from es_connect import es
from langchain_community.llms.ollama import Ollama
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain@st.cache_resource
def get_ollama_model():return Ollama(model="llama3:8b",temperature=0.1,  # Low temperature for consistent resultsbase_url="http://localhost:11434"  # Default Ollama URL)def get_address_variations(model, input_address):prompt_template = PromptTemplate(template=("Given the address below, generate a concise JSON array of common synonyms, place name variations, abbreviations, misspellings, and variations people might use for this address.""Return ONLY a JSON array, with no explanation or extra text.""If no variations are found, return an array with only the original address.""Address: {address}"),input_variables=["address"],)chain = LLMChain(llm=model, prompt=prompt_template)try:llm_response = chain.run({"address": input_address})print("Raw LLM response:", llm_response)address_variations = json.loads(llm_response.strip())if not isinstance(address_variations, list):address_variations = [input_address]except Exception as e:print(f"Error parsing LLM response: {e}")address_variations = [input_address]return address_variations

第 5 步：構建最終搜索查詢

使用從上述姓名和地址變體生成的值來構建搜索查詢。

def query_elasticsearch(index, input_name, input_address, size=5):model = get_ollama_model()address_variations = get_address_variations(model, input_address)print(f"Address variations used for search: {address_variations}")# Use multi_match to search for all variations in the address fieldbody = {"query": {"bool": {"must": [{"match_phrase": {"name": input_name}},{"multi_match": {"query": " ".join(address_variations),"fields": ["address"],"type": "best_fields"}}]}},"size": size}print("Elasticsearch query body:", json.dumps(body, indent=2))response = es.search(index=index, body=body)return response['hits']['hits']

第 6 步：檢查重復項

上述搜索查詢會找到潛在匹配項。隨后，這些姓名和地址將作為上下文提供給模型。通過以下函數，我們將提示模型計算它們是重復項的概率。

def check_duplicates(search_name, input_address, response):# Create prompt template optimized for local modelsprompt_template = PromptTemplate(template="""
You are a data deduplication expert. Analyze the following information and provide a structured comparison.Input Name: {search_name}
Input Address: {input_address}Potential matches from database:
{response}Instructions:
1. Compare each potential match against the input name and address
2. Calculate a match percentage (0-100%) for each record
3. Consider name variations, spelling differences, and address similarities
4. Classification Rules:- 80%+ match = Duplicate- 60-79% match = Review Required- Below 60% = Not Duplicate
5. Use the Jaro-Winkler algorithm principles.Format your response as a markdown table. Sort results based on match percentage. Include the columns:
| Name | Address | Match % | Status | Explanation |Example format:
| John Smith | 123 Main St | 95% | DUPLICATE | Exact name match, address variation |
| Jon Smyth | 123 Main Street | 85% | DUPLICATE | Name spelling variation, same address |""",input_variables=["search_name", "input_address", "response"],)# Prepare prompt inputprompt_input = {"search_name": search_name,"input_address": input_address,"response": response}# Create the LLM chainmodel = get_ollama_model()chain = LLMChain(llm=model, prompt=prompt_template)# Get the response from Ollamaresponse = chain.run(prompt_input)return response

第 7 步：創建 Streamlit 界面

現在，使用下面的 Streamlit 代碼來創建一個簡潔、直觀的界面。

# Main function for Streamlit app
def main():st.set_page_config(page_title="Duplicate Detection (Local LLM)", layout="centered")# Custom CSS for stylingst.markdown("""<style>body { font-family: 'Arial', sans-serif; color: #333; }.stTextInput input { background-color: #f0f8ff; padding: 10px; border-radius: 5px; }.stButton button { background-color: #4CAF50; color: white; border-radius: 5px; }.stButton button:hover { background-color: #45a049; }.response-table th, .response-table td { padding: 10px; border: 1px solid #ddd; }.response-table th { background-color: #f4f4f4; }.response-table td { text-align: center; }</style>""", unsafe_allow_html=True)st.title("🔍 Duplicate Detection (Local LLM)")st.write("Enter the name and address to search for potential duplicates in the database.")# Input fieldsinput_name = st.text_input("Search Name", placeholder="Enter the name you want to search for...")input_address = st.text_input("Enter Address", placeholder="Enter the address")if st.button("Search 🔍"):if input_name and input_address:index_name = "names-search"with st.spinner("Searching for duplicates..."):# Query Elasticsearch for potential duplicateses_response = query_elasticsearch(index_name, input_name, input_address)# Build context from resultsif es_response:# Format the response data for the LLMformatted_response = []for hit in es_response:source = hit['_source']formatted_response.append(f"Name: {source['name']}, Address: {source['address']}")response = "\n".join(formatted_response)# Send the details to Ollama for analysisresponse = check_duplicates(input_name, input_address, response)# Display the response on the UIst.write("### Results Comparison from Dataset")st.markdown(response)# Show raw Elasticsearch results for referencewith st.expander("Raw Elasticsearch Results"):for hit in es_response:st.json(hit['_source'])else:st.write("? No potential duplicates found.")else:st.write("?? Please enter both the name and address to search.")if __name__ == "__main__":main()

第 8 步：執行并測試系統

為優化性能，避免重復加載模型和過多連接打開，將第 4、5、6、7 步的代碼整合到一個名為 app.py 的文件中。然后用該文件啟動 Streamlit 界面。

streamlit run app.py

執行后，會生成一個界面，允許輸入姓名和地址。結果會以表格形式顯示，按匹配百分比排序，并包含潛在重復項的解釋，如下圖所示。

貸款和保險申請之外的應用場景

去重技術在多個行業和領域有廣泛應用。以下是一些主要例子：

  • 政府和公共服務 —— 標記重復的選民登記、稅務記錄、社會保障申請或公共福利項目注冊。

  • 客戶關系管理（CRM） —— 識別 CRM 數據庫中的重復客戶記錄，提升數據質量，避免冗余。

  • 醫療系統 —— 發現醫院管理系統中的重復病人記錄，確保醫療歷史和賬單準確。

  • 電子商務平臺 —— 識別重復的產品列表或賣家檔案，維護干凈的目錄，提升用戶體驗。

  • 房地產與物業管理 —— 發現物業管理系統中重復的房源或租戶信息。

總結：使用 Elasticsearch 構建去重流程

我們展示了如何結合 Elasticsearch 的音近搜索功能和本地 LLM 處理，創建一個應對真實復雜情況的強大去重流程。

首先，準備好集群和所需數據集，并部署本地模型。然后，利用姓名、地址及其變體等關鍵實體查詢 Elasticsearch 找到相似匹配。接著，將 Elasticsearch 返回結果作為上下文傳給模型進行重復分析。模型根據指令判斷哪些記錄可能是重復。

請記住，重復檢測不是一次性項目，而是持續改進的過程。AI 組件會根據反饋學習，搜索算法也能基于結果不斷優化，系統的準確性隨時間提升。

通過在這些場景中實施 Elasticsearch，企業能夠領先一步，確保數據準確、合規，并在快速變化的市場中保持競爭優勢。

原文：Building intelligent duplicate detection with Elasticsearch and AI - Elasticsearch Labs

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/917404.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/917404.shtml
英文地址，請注明出處：http://en.pswp.cn/news/917404.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

如何在不依賴 Office 的情況下轉換 PDF 為可編輯文檔

如何在不依賴 Office 的情況下轉換 PDF 為可編輯文檔

在日常工作里&#xff0c;我們經常需要處理各種文件格式的轉換問題&#xff0c;像Word轉PDF或者PDF轉Excel這樣的需求屢見不鮮。它是一款功能全面的PDF轉換工具&#xff0c;能夠幫助你輕松應對多種文檔處理任務。不僅能夠實現PDF與其他格式之間的轉換&#xff0c;如Word、Excel…
閱讀更多...
嵌入式學習筆記-MCU階段--DAY09

嵌入式學習筆記-MCU階段--DAY09

1. oled屏幕的接口IIC應用場合&#xff1a;2.IIC通信原理概念&#xff1a;IIC&#xff08;Inter-Integrated Circuit&#xff09;其實是IICBus簡稱&#xff0c;所以中文應該叫集成電路總線&#xff0c;它是一種串行通信總線&#xff0c;使用多主從架構&#xff0c;由飛利浦公司…
閱讀更多...
解決 Node.js 托管 React 靜態資源的跨域問題

解決 Node.js 托管 React 靜態資源的跨域問題

在 Node.js 項目中托管 React 打包后的靜態資源時&#xff0c;可能會遇到跨域問題&#xff08;CORS&#xff09;。以下是幾種解決方案&#xff1a; 1. 使用 Express 中間件設置 CORS 頭 const express require(express); const path require(path); const app express();// …
閱讀更多...
【Linux】多路轉接之epoll

【Linux】多路轉接之epoll

優化poll進行拷貝的開銷poll開銷過大將整個 pollfd 數組拷貝到內核態&#xff0c;以便內核檢查 fd 是否就緒&#xff08;從用戶態 → 內核態&#xff09;。內核檢查 fd 狀態&#xff0c;并填充 revents。將 pollfd 數組從內核態拷貝回用戶態&#xff0c;讓應用程序可以讀取 rev…
閱讀更多...
下載一個JeecgBoot-master項目 導入idea需要什么操作啟動項目

下載一個JeecgBoot-master項目 導入idea需要什么操作啟動項目

官網&#xff1a;開發環境搭建 | JEECG 文檔中心 一般做開發的電腦里都是有的&#xff0c;沒有的只能下載了 前端安裝 node官網:https://nodejs.org/zh-cnpnpm安裝:通過命令 后端安裝: jdk17 :https://www.oracle.com/cn/java/technologies/downloads/#java17maven :https://m…
閱讀更多...
解決 InputStream 只能讀取一次問題

解決 InputStream 只能讀取一次問題

是的&#xff0c;InputStream 的一個重要特性是它通常只能被讀取一次。這是因為&#xff1a;輸入流通常是單向的、順序訪問的數據源很多流&#xff08;如網絡流、文件流&#xff09;讀取后指針就移動了&#xff0c;無法回退有些流&#xff08;如Socket流&#xff09;甚至讀取后…
閱讀更多...
數據分析面試題

數據分析面試題

技都測試 1、請列舉5個 Excel 中常用的函數及寫法。[ if ] IF(A1>60, "及格", "不及格") —— 若 A1 單元格數值≥60&#xff0c;返回 “及格”&#xff0c;否則返回 “不及格”。IF(B2>100, B2*0.8, B2) —— 若 B2 數值 > 100&#xff0c…
閱讀更多...
【07】VisionMaster入門到精通——Blob分折

【07】VisionMaster入門到精通——Blob分折

文章目錄0 視屏講解與演示1 案例演示2 參數詳解1 運行參數0 視屏講解與演示 1 案例演示 周長使能查找U型槽 短軸使能查找U型槽 面積篩選區域 當條件不符合是&#xff0c;該模塊顯示紅色&#xff0c;狀態為NG 顯示二值圖像 顯示Blob圖像 2 參數詳解 Blob分折&#xff0c;…
閱讀更多...
解釋 MySQL 中的 EXPLAIN 命令的作用和使用場景

解釋 MySQL 中的 EXPLAIN 命令的作用和使用場景

解釋 MySQL 中的 EXPLAIN 命令的作用和使用場景 總結性回答 EXPLAIN 是 MySQL 中用于分析 SQL 查詢執行計劃的命令&#xff0c;它能展示 MySQL 如何執行一個查詢&#xff0c;包括使用的索引、表連接順序、掃描行數等關鍵信息。主要用于查詢性能優化&#xff0c;幫助開發者識別潛…
閱讀更多...
.env 文件

.env 文件

.env 文件其實就是一個純文本文件&#xff0c;用來寫“環境變量”鍵值對&#xff0c;格式非常簡單 &#x1f447;? .env 文件寫法格式&#xff1a;每一行就是一個變量名 值&#xff0c;不要加引號&#xff0c;不要加空格DEEPSEEK_API_KEYsk-xxxxxxxxxxxxxxxxxxxx完整例子&…
閱讀更多...
機器學習——K 折交叉驗證（K-Fold Cross Validation），案例：邏輯回歸 交叉尋找最佳懲罰因子C

機器學習——K 折交叉驗證（K-Fold Cross Validation），案例：邏輯回歸 交叉尋找最佳懲罰因子C

什么是交叉驗證&#xff1f; 交叉驗證是一種將原始數據集劃分為若干個子集&#xff0c;反復訓練和驗證模型的策略。 交叉驗證&#xff08;Cross-Validation&#xff09;適用于你在模型調參&#xff08;如邏輯回歸中的 C&#xff09; 最常用的&#xff1a;K 折交叉驗證&#…
閱讀更多...
藍橋杯----串口

藍橋杯----串口

&#xff08;五&#xff09;、串口1、串口通信簡介制定通信的規則&#xff0c;通信雙方按照協議規則進行數據收發&#xff0c;將一個設備的數據傳送到另一個設備&#xff0c;擴展硬件系統&#xff0c;串口USART有兩根通信線Tx、Rx&#xff0c;可同時雙向通信&#xff0c;稱之為…
閱讀更多...
錯誤: 找不到或無法加載主類 原因: java.lang.ClassNotFoundException

錯誤: 找不到或無法加載主類 原因: java.lang.ClassNotFoundException

背景&#xff1a; 代碼沒有更改&#xff0c;主類位置也沒有移動&#xff0c;運行時突然報找不到或無法加載主類的錯誤 錯誤: 找不到或無法加載主類 原因: java.lang.ClassNotFoundException編譯器上方顯示 Java file is located outside of the module source root so it wont …
閱讀更多...
Lock 接口及實現類詳解：從 ReentrantLock 到并發場景實踐

Lock 接口及實現類詳解：從 ReentrantLock 到并發場景實踐

在 Java 并發編程中&#xff0c;除了synchronized關鍵字&#xff0c;java.util.concurrent.locks.Lock接口及其實現類是另一種重要的同步機制。自 JDK 5 引入以來&#xff0c;Lock接口憑借靈活的 API 設計、可中斷的鎖獲取、公平性控制等特性&#xff0c;成為復雜并發場景的首選…
閱讀更多...
「iOS」————SideTable

「iOS」————SideTable

iOS學習前言sideTableSlideTablesSideTableBufSideTable前言 我們在上一篇中&#xff0c;簡單的介紹了weak的實現原理。其中弱引用表就是存儲在SideTable中的&#xff0c;這里我們來學習了解一下SideTable sideTable sideTable主要用于存儲和管理對象的額外信息&#xff0c;…
閱讀更多...
【PHP】CURL請求第三方API接口

【PHP】CURL請求第三方API接口

當我們需要調用第三方接口時&#xff0c;就需要使用CURL&#xff0c;通過CURL操作去請求第三方API接口&#xff0c;有的是通過POST方式&#xff0c;有的是通過GET方式&#xff0c;下面介紹一個通用的使用CURL調用API接口的方法。一、CURL操作共兩個方法&#xff0c;分別是CURL操…
閱讀更多...
對于考研數學的理解

對于考研數學的理解

文章目錄高等數學總結補充說明1. 微分方程與無窮級數的特殊性2. 隱藏的邏輯鏈條3. 向量代數的橋梁作用核心框架為什么這樣設計&#xff1f;結論線性代數核心邏輯框架各講之間的本質聯系1. 行列式 → 矩陣2. 矩陣 → 向量組3. 矩陣 向量組 → 線性方程組4. 矩陣 → 特征值與特征…
閱讀更多...
基于 Hadoop 生態圈的數據倉庫實踐 —— OLAP 與數據可視化（四）

基于 Hadoop 生態圈的數據倉庫實踐 —— OLAP 與數據可視化（四）

目錄 四、數據可視化與 Hue 簡介 1. 數據可視化簡介 &#xff08;1&#xff09;數據可視化的重要性 &#xff08;2&#xff09;數據可視化的用途 &#xff08;3&#xff09;實施數據可視化需要考慮的問題 &#xff08;4&#xff09;幾種主要的數據可視化工具 2. Hue 簡介…
閱讀更多...
HarmonyOS 開發：基于 ArkUI 實現復雜表單驗證的最佳實踐

HarmonyOS 開發：基于 ArkUI 實現復雜表單驗證的最佳實踐

摘要 在現代應用開發中&#xff0c;表單是最常見的交互方式之一。不管是用戶注冊、信息錄入&#xff0c;還是登錄驗證&#xff0c;表單的可靠性直接影響用戶體驗。而在鴻蒙 ArkUI 開發中&#xff0c;雖然表單結構清晰&#xff0c;但要實現 復雜驗證&#xff08;比如&#xff1a…
閱讀更多...
高效游戲狀態管理：使用雙模式位運算與數學運算

高效游戲狀態管理：使用雙模式位運算與數學運算

在游戲開發中&#xff0c;狀態管理是一個核心問題。無論是任務系統、成就系統還是玩家進度跟蹤&#xff0c;我們都需要高效地存儲和查詢大量狀態。本文將深入分析一個創新的游戲狀態管理工具類 GameStateUtil&#xff0c;它巧妙結合了位運算和數學運算兩種模式&#xff0c;在存…
閱讀更多...
最新文章

Copyright @ 2022~2023