精华内容
下载资源
问答
  • 人渣SCUM疑难问题解决办法 人渣SCUM常见问题解答_游侠网
    千次阅读
    2021-08-14 01:47:23

    大家在玩人渣SCUM的时候是不是碰到过各种问题?比如维生素流失过快、火堆怎么点不燃等等,今天小编给大家带来的就是人渣SCUM疑难问题解决办法,有疑问的朋友还不快进来看看?

    疑难问题解决办法

    缺少维生素D

    解决办法:去小镇搜刮鱼罐头,一个鱼罐头可以吃4次,每次补充只需要吃一次就行了。

    鱼罐头打不开

    解决办法:同时选中罐头和开瓶器(小刀也可以),然后右键罐头会出现一个OPEN的选项,点击后就可以了。

    大小便什么时候使用(大小便会使矿物质和维生素流失)

    解决办法:查看右下角圈红的地方,大肠是大便,膀胱是小便,等到了100%或者90%多的时候就可以了。

    维生素药品不加维生素

    解决办法:维生素药品都是在急缺警示的时候使用。

    火堆不能点火

    解决办法:火堆和点火用品药同时选中(也就是选红),然后右键火堆才可以点燃,烤肉也一样。

    怎么拆分和堆叠

    解决办法:堆叠物品除了子弹外目前没有发现其他的,把两个相同的子弹随便拉一个会出现一个join的字体,点击后就堆叠了,只能堆叠20发。

    为什么拉稀

    解决办法:缺少矿物质。

    纤维素过高

    解决办法:纤维素是吃了各种蔬菜等一些加的东西,无法快速降低,只能等消耗。

    糖分和碳水化合物怎么获取

    解决办法:可以通过喝雪碧和可乐,还有吃糖进行获取。

    怎么卡模型

    解决办法:一般来说只有军事基地可以卡模型,然后需要一个居高临下的地理位置,距离需要卡的模型大概400米左右,模型就会消失,然后你可以看见里面的人物模型,用枪击可以达到子弹穿墙的效果。

    怎么无伤杀僵尸

    解决办法:当野外遇到僵尸是很麻烦的事情,现在你只需要找一个地方趴下,等僵尸过来使劲捶他就行了(版本更新后还没有去实验)。

    景深怎么关闭

    解决办法:查看下图

    以上就是小编给大家带来的人渣SCUM疑难问题解决办法,相信大家看完后都能解决问题吧。

    更多相关资讯请关注:人渣专题

    更多相关内容
  • 人教五年级数学解决问题解答应用题练习题50带答案解析.pdf
  • 介绍了使用ABAQUS建模分析过程中的各种常见问题,并给出解决问题的方案。
  • 一年级数学上册解决问题解答应用题练习题50专项训练带答案解析(1).pdf
  • 人教五年级数学上册解决问题解答应用题练习带答案解析.pdf
  • 20XX人教版版一年级数学上册解决问题解答应用题专项专题训练带答案解析.pdf
  • 五年级数学解决问题解答应用题练习题50(经典版)带答案解析(1).pdf
  • 一年级数学解决问题解答应用题练习题40经典题型带答案解析.pdf
  • 一年级数学上册解决问题解答应用题练习题大全练习题真题带答案解析.pdf
  • 一年级数学上册解决问题解答应用题练习题40(精编版)带答案解析.pdf
  • 一年级数学解决问题解答应用题练习题大全练习题真题带答案解析.pdf
  • 一年级数学解决问题解答应用题题专项训练专项训练带答案解析.pdf
  • 人教五年级数学解决问题解答应用题专项专题训练带答案解析.pdf
  • 一年级数学上册解决问题解答应用题练习题30篇经典题型带答案解析.pdf
  • 北京市府学小学一年级数学上册解决问题解答应用题练习题56带答案解析.pdf
  • 20XX人教版版一年级数学上册解决问题解答应用题练习题大全练习题带答案解析.pdf
  • 一年级数学解决问题解答应用题练习真题带答案解析.pdf
  • 本书具有以下特点:实例工程背景强,理论与软件操作结合紧密,并详细讲解软件使用过程中的常见问题,能够快速提高读者的工程实例分析能力;切实从读者学习和使用的实际出发,安排章节顺序和内容;图文并茂,讲述过程...
  • 小学五年级数学解决问题解答应用题练习带答案解析.pdf
  • 五年级数学解决问题解答应用题练习专项训练带答案解析.pdf
  • 五年级数学解决问题解答应用题题专项训练真题带答案解析.pdf
  • 五年级数学解决问题解答应用题练习试题专项专题训练带答案解析.pdf
  • 五年级数学解决问题解答应用题练习(精编版)带答案解析.pdf
  • 人教五年级数学解决问题解答应用题练习题大全练习题带答案解析.pdf
  • 一年级数学解决问题解答应用题练习题50综合练习带答案解析(1).pdf
  • sapi5.inf下载 微软语音 0x80040154问题解决 语音开发

    千次下载 热门讨论 2015-02-07 10:05:43
    sapi5.inf下载 微软语音 0x80040154问题解决 详细见: http://blog.csdn.net/wyx100/article/details/43601041
  • 人教五年级数学解决问题解答应用题练习题50带答案解析(1).pdf
  • FAQ(常见问题解答)

    万次阅读 2018-09-30 08:59:44
    FAQ是英文Frequently Asked Questions的缩写,中文意思就是“经常问到的问题”,或者更通俗地叫做“常见问题解答”。FAQ是当前网络上提供在线帮助的主要手段,通过事先组织好一些可能的常问问答对,发布在网页上为...

    FAQ是英文Frequently Asked Questions的缩写,中文意思就是“经常问到的问题”,或者更通俗地叫做“常见问题解答”。FAQ是当前网络上提供在线帮助的主要手段,通过事先组织好一些可能的常问问答对,发布在网页上为用户提供咨询服务。 

    在很多网站上都可以看到FAQ,列出了一些用户常见的问题,是一种在线帮助形式。在利用一些网站的功能或者服务时往往会遇到一些看似很简单,但不经过说明可能很难搞清楚的问题,有时甚至会因为这些细节问题的影响而失去用户,其实在很多情况下,只要经过简单的解释就可以解决这些问题,这就是FAQ的价值。

    在网络营销中,FAQ被认为是一种常用的在线顾客服务手段,一个好的FAQ系统,应该至少可以回答用户80%的一般问题,以及常见问题。这样不仅方便了用户,也大大减轻了网站工作人员的压力,节省了大量的顾客服务成本,并且增加了顾客的满意度。因此,一个优秀的网站,应该重视FAQ的设计。

    一般是指产品的说明或者使用帮助,如社区软件PHPWind帮助中心:专门介绍phpwind的使用教程和技术分析,使用说明,百度的帮助中心,有的直接当百科全书。其实像百度知道和百度百科就是一个很庞大的FAQ,spacebuilder用户社区中的FAQ就采用了类似百度知道的社会化问答模式。

    FAQ是客户常见的问题,设计的问题和解答都必须是客户经常问到和遇到的。为保证FAQ的有效性,首先要经常更新问题,回答客户提出的一些热点问题;其次是问题要短小精悍,对于提问频率高的常见的简单问题,不宜用很长的文本文件,这样会浪费客户在线时间。而对于一些重要问题应在保证精准的前提下尽可能简短。为保证方便客户使用,首先FAQ应该提供搜索功能,客户通过输入关键字可以直接找到有关问题;其次是问题较多时,可以采用分层目录式的结构组织问题的解答,但目录层次不能太多,最好不要超过四层;第三是将客户最经常提问的问题放到前面,对于其他问题可以按照一定规律排列,常用方法是按字典顺序排列;第四对于一些复杂问题,可以在问题之间设计链接,便于方便地找到相关问题的答案。

    Introduce:日趋增多的网络信息使用户很难迅速从搜索引擎返回的大量信息中找到所需内容。自动问答系统为人们提供了以自然语言提问的交流方式,为用户直接返回所需的答案而不是相关的网页,具有方便、快捷、高效等特点。

    Process:本文的问答系统采用了一个FAQ(Frequently Asked Questions)问答库,并基于句子相似度进行设计。

    1)首先建立一个足够大的问题答案库,即语料库--------建库

    2)然后计算用户提问的问题和语料库中各个问题的相似度-------计算相似度-------余弦定理

    3)最后把相似度较高的问题所对应的答案返回给用户。-------返回结果

    core: 本文的核心是句子相似度的计算,分别使用了TF-IDF和word2vec两种方法对问句进行向量化,并在此基础上使用进行句子相似度的计算。

    Improve:为了提高整个系统的运行速度,本文对算法的计算进行了相应的优化。

    key words:FAQ;句子相似度;TF-IDF;word2vec;余弦定理

    part1: research background and meaning

       基于常问问题集的问答系统是在已有的问题答案对的集合中找到与用户提问相匹配的问题,并将其对应的答案直接返回给用户。

         问答系统是目前自然语言处理领域的一个研究热点

        优点:1)让用户用自然语言句子提问

                  2)为用户返回一个简洁、准确的答案,而不是一些相关的网页。

         与传统的依靠关键字匹配的搜索引擎相比,能够更好地满足用户的检索需求,更准确地找出用户所需的答案,具有方便、快捷、高效等特点。如果用户的提问与以往的记录相符,可直接将对应的答案提交给用户,免去了重新组织答案的过程,可以提高系统的效率。

       常问问题集(FAQ)可以作为自动问答系统中的一个组成部分。它把用户经常提问的问题和相关答案保存起来。对于用户输入的问题,可以首先在常问问题库中查找答案。

        如果能够找到相应的问题,就可以直接将问题所对应的答案返回给用户,而不需要经过问题理解、信息检索、答案抽取等许多复杂的处理过程,提高了效率。我们提出的FAQ(Frequently Asked Questions)系统在根据用户问题建立候选问题集的基础上,建立常问问题集的倒排索引,提高了系统的检索效率,同时,与传统的基于关键词的方法相比,用基于语义的方法计算相似度提高了问题的匹配精度。

    part 2: FAQ Answering System

    2.1 Introduction to FAQ Answering System

        问答式检索系统允许用户用自然语言提问,从大量异构数据中准确而快速查找出提问的答案,是集自然语言处理技术和信息检索技术与一体的新一代搜索引擎。这种提供准确、简洁的信息的方式更接近于人的思维和习惯,是下一代搜索引擎的发展方向。

        FAQ问答系统是一种已有的“问题-答案”对集合中找到与用户提问相匹配的问句,并将其对应的答案返回给用户的问答式检索系统。由于FAQ问答系统免去了重新组织答案的过程,可以提高系统的效率,还可以提高答案的准确性。这其中要解决的一个关键问题是用户问句与“问题-答案”对集合中问句的相似度比较,并把最佳结果返回给用户。

    2.2 The "Questions - Answers" Library

         FAQ问答系统需要一个“问题-答案”库的支撑,库的好坏直接影响问答系统的效果。本设计所用的“问题-答案”库来源于百度知道的问题和对应的答案,共有10000条。用户输入问题,然后从库中匹配相似度符合设计阈值的问题并显示其答案。

         

    部分问题

     

    部分答案

    3 System Design and Implementation

     

    3.1 Design Principles and Flow Charts

    思想:把语料库的问题和用户所提问题预处理,然后向量化,最后通过计算两向量之间的余弦夹角值作为衡量相似度的值。只有该余弦值大于程序设定中的阈值才会将这些问题作为候选问题返回给用户。本设计的阈值设置为0.5,同时并选择相似度最高的前5个问题(Top5)所对应的答案返回给用户。若没有大于阈值的样本,则提示用户当前的提问没有相似的答案。系统的设计框图如图3-1所示。

     

    3.2 Pretreatment of Questions

        预处理是对问句进行初步处理的过程。本文对评论文本依次进行了去空去重、切词分词和停用词过滤操作。

        原始网络评论会存在一些空或重复的问句,须过滤掉这些无价值且影响效率的问句。使用计算机自动地对中文文本进行词语切分的过程称为中文分词(Chinese Word Segmentation),即使中文句子中的词之间有空格标识。若要对一个句子进行分析,就需要将其切分成词的序列,然后以词为单位进行句子的分析,故中文分词是中文自然语言处理中最基本的一个环节。

        分词之后需要对每个词进行词性标注,为接下来的停用词过滤提供便利。停用词(Stop Word)指通常在评论文本中出现的频率较高,但对确定评论的情感类别没有作用的词。停用词过滤指去掉评论文本中停用词的过程。本文使用中科院的“计算所汉语词性标记集”以及哈工大停用词表对评论文本进行停用词过滤。根据“计算所汉语词性标记集”,确定出要过滤掉的词性有:标点符号、介词和代词等,这些词性的词信息量低,无类别区分作用。本文先对评论文本进行词性过滤,再根据哈工大停用词表进一步过滤。

                                 

    预处理后的部分问句

     

    3.3 Text vectorization

    在进行相似度计算之前,需要将每条问句都转换成向量的形式,即将每条问句都映射到一个向量空间,分别使用了两种方法TF-IDF(词频-反向文档频率)和word2vec对问句文本进行向量化。

     

    3.3.1 TFIDF method based on vector space model

    从FAQ中所有预处理后的问句中提取特征后,形成一个词汇表,则FAQ 中的每一个问句都可以用一个n 维的向量来表示。的计算方法为:设在当前问句中出现的次数,为FAQ中含词汇的问句个数,为FAQ中问句的总数,那么

        可以看出,一个问句中出现次数多的词将被赋予较高的值,但这样的词并不一定具有较高的值。

        eg:汉语中“的”出现的频率非常高,TF值(k值)很大,但“的”在很多问句中都出现,它对于分辨各个问句并没有太大的帮助,它的IDF值是一个很小的数。因此,这种方法综合地考虑了一个词的出现频率和这个词对不同问句的分辨能力。

        在计算用户提问问句的n 维向量时,用户提问问句和FQA库中的问句b不是同时向量化的,故在对FQA库中的问句向量化时,需要保存每个特征的ID F值,便于用户提问问句中特征词TFIDF值的计算。

     

    3.3.2 word2vec word vector model

     

    word2vec是用来产生词向量的一组相关模型。它利用输入的语料来产生一个向量空间,在这个向量空间中,每个词对应一个点,语义上相近的词在向量空间上对应的点也相近。

    word2vec中两个重要的模型:

    CBOW模型(Continuous Bag-of-Words Model)和Skip-gram模型(Continuous Skip-gram Model)。

    CBOW模型的思想是用上下文来预测当前词的概率,而Skip-gram模型的思想是用当前词来预测其上下文词的概率。它们的目标函数分别为:

     

    左为CBOW模型,右为Skip-gram模型

    本文使用sougou大语料并基于CBOW模型训练得到词向量,然后使用问句中每个特征词对应词向量的算术平均作为问句的句向量。

     

    3.4Calculation of sentence similarity based on cosine theorem

        问句之间的相似度可以转换为向量之间的距离来进行度量。距离越小问句之间的相似性越大,反之亦然。

        本文采用余弦夹角来计算向量之间的相似度,相似问题一般包含更多相同的特征词,两个问句的主题是否接近,取决于它们的特征向量“长得像不像”。是用户提问的问句向量,得到后,它们所对应的两个问句之间的相似度就可以利用和这两个向量之间夹角的余弦值来表示。相似度的计算公式如下所示:

        由上述公式可知,的值越大,说明两者的相似度越高,反之则越低。

        余弦相似度的定义虽然简单,但是在利用上述公式计算两个向量的夹角时,计算量为,当用户提出一个问题时,需计算次(为语料库中问句的数量,本文的语料库中的问句数为10000条),如果语料库很大,则将答案返回给用户需要很长的时间。

        我们这个方案解答需要大概30秒的时间,这个时间对于用户来说过于长,用户体验效果不佳。为了降低计算量,本文在计算相似度时进行了一些简化:

    1)首先,分母部分(即向量的模)不需要重复计算,即可以将它们进行预计算,并将预计算的结果保存起来,等计算向量模的时候,直接取出来即可。

    2)其次,分子部分,即在计算两个向量的内积时,只需考虑向量中的非零元素,计算复杂度取决于两个向量中非零元素个数的最小值。这两个简化方法在使用TF-IDF向量化时效果比较明显,因为TF-IDF得到的向量极其高维和稀疏,而word2vec得到的向量则是低维和稠密,效果不是很明显。

    4Experimental results and analysis

    4.1 Experiment Settings

     

    表4-1 测试问题集

    具有相似性的问题

    基本无相似度的问题

    1.小米怎么发彩信啊?

    1.大脸剪什么短发好看

    2.如何成为经理?

    2.怎么做拔丝地瓜

    3.怎样在聚划算卖东西

    3.华为自动关机为什么

    4.怎样停止建行卡的短信通知?

    4.去哪买手机比较好

    5.你对知音有什么看法

    5.怎样提高数学成绩

    6.地震你怎么看

    6.什么翻译软件比较好

    7.选哪个快递?顺丰咋样

    7.出国去哪里比较好

    8.湖南长沙要穿防晒服吗

    8.身份证掉了怎么补办

    9.三星I910存储量是多少

    9.怎样种蓝庭芥

    10.CAD的修剪命令怎么操作?

    10.理八栋谁最帅

     

    4.2 Experimental Results and Analysis

    基于TF-IDF算法的句子相似度计算方法基本可以回答表4-1中“具有相似性的问题”,而对于表4-1中“基本无相似度的问题”,则会提示用户该问题基于当前的FAQ问答库无法回答,这说明基于相似度的FAQ问答系统完全依赖于语料库。

     

     

    相似问题测试结果

     

     

     

    基本无相似度问题测试结果

     

        当输入与语料库中问题相似的问题时,能得到较为正确的答案。

        而对于与语料库中问题基本无相似度的问题,系统则会提示用户系统回答不了当前问题。

        本文的TF-IDF算法的问答系统设置了相应的阈值,即当用户提问的问句与问答库中的问句相似度大于阈值时,才输出相应的问句所对应的答案,这里阈值是0.5。除此之外,本文对于阈值过滤后的答案,进行排序,先出阈值最高的前5个(Top5)反馈给用户。

        基于word2vec的句子相似度计算方法,在计算速度上比基于TF-IDF的方法速度快,因为word2vec训练出来的向量要更低维和稠密。但是由于在进行词向量训练的时候,使用的是sougou大语料,该语料与本文的问句没有太大的关系,故训练出来的词向量不能很好的代表问答领域问句的一些语义信息,故在最终进行测试的时候,计算出来的结果无法达到预期的效果。

     

     5 Summary and Outlook

        本文使用了两种句子向量化算法对句子进行向量化:即TF-IDF和word2vec。

        这两种向量化算法都能在一定程度上刻画出句子之间的相似度【余弦相似度】。

        对于TF-IDF算法,其训练出来的句子向量具有高维、稀疏的缺点,故在计算的时候比较慢,本文针对这个问题对其进行了优化,在一定程度上降低了时间复杂度。

        相反,对于word2vec算法,其训练出来的向量具有低维、稠密的优点,计算速度快,但词向量的训练需要大量的语料才能达到好的效果。这次训练语料比较不匹配,得到的向量不能很好地表示句子之间的相似性,效果较差。

        由此可见,在进行word2vec词向量的训练时,需要根据具体的问题,使用合适的语料,这样才能更好的表示句子之间的相似度。

    展开全文
  • 一年级数学上册解决问题培优解答应用题练习题50专项专题训练带答案解析.pdf
  • wps常见问题解决

    千次阅读 2019-12-09 20:34:43
    wps常见问题解决 英文、数字、网址等会认为是一体,不能换行分割,因此会整体放到下一行,上一行会拉开行距对齐。 解决办法:如果网址不太长,可缩小字符间距,使网址与文字放在同一行;如果比较长,必须分行,就...

    wps一行没有写满就自动换行

    • 输入几个字就自动换行
      解决办法1:wps设置的标尺不对。
      在这里插入图片描述

    • 英文、数字、网址等会认为是一体,不能换行分割,因此会整体放到下一行,上一行会拉开行距对齐。
      解决办法1:如果网址不太长,可缩小字符间距,使网址与文字放在同一行;如果比较长,必须分行,就需要手动换行,将网址从中间断开。
      解决办法2:设置段落格式 首先在右边搜索栏输入段落,在设置段落-中文版式-换行,勾选“允许西文在单词中间换行”。
      在这里插入图片描述
      在这里插入图片描述

    wps目录识别不准确

    解决方法:自己手动设置,首先设置标题样式,自己手动生成目录。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 7,885,797
精华内容 3,154,318
关键字:

问题解决

友情链接: mFindFunction.rar