精华内容
下载资源
问答
  • 下面是关于感受大自然作文八篇的内容,欢迎阅读! 感受大自然作文1 秋天的落叶可真美。叶子的颜色更是多姿多彩。有黄色的杨树叶,有大红色的枫树叶,还有绿黄相间的树叶,显得那么与谐,真的好像一幅优美的树叶画。...
  •  今天我演讲的内容关于大学生的独立思维。 哲学家帕思卡尔曾有过这样的动人描述:人只不过是一根苇草,是自然界最脆弱的东西;但他是一根能思想的苇草。用不着整个宇宙都拿起武器来才能毁灭;一口气、一滴水就足以...
  • 4. title避免多次重复,例如:“苏州seo_苏州seo优化_苏州seo外包_苏州seo推广”,这样的重复... description你可以理解为,用title中的关键词很自然的造个句,另外加入你的营销内容和品牌信息即可3. keywords,选择...
    4. title避免多次重复,例如:“苏州seo_苏州seo优化_苏州seo外包_苏州seo推广”,这样的重复意义不是太大,不妨使用:“苏州seo优化_外包_推广_xx网”这样的形式,对于关键词匹配影响不大,却能提升搜索结果展示体验和专业程度,提高点击率
    5. description你可以理解为,用title中的关键词很自然的造个句,另外加入你的营销内容和品牌信息即可
    3. keywords,选择元词,不要使用长尾,比如你可以使用“苏州seo、苏州seo优化、苏州seo推广”等,但是不要使用例如:“苏州seo网站优化推广”这样出现率很低的长尾。其实keywords标签不写都可以。(如今的搜索引擎技术已经发展到不需要靠keywords来判断页面内容了,它不会弱智到你在苏州seo页面写了keywords标签说这个页面是北京律师,他就会判断相关性。)

    转自:https://www.zhihu.com/question/22493372/answer/21619407

    转载于:https://www.cnblogs.com/C-dashazi/p/7805312.html

    展开全文
  • 关于大学生践行社会主义核心价值观的演讲稿 尊敬的各位领导,各位老师,亲爱的同学们: 大家好!...我们更关注政治人物说话的态度,而不关注话语的内容,开始留心社会收入的公平分配,而不那么在乎经济的增长,?..
  • 对于三范式,上课时了解到方式是通过自然语言描述,所谓直接相关和间接相关等内容,要自己反复琢磨才能够大致明白其意思,我个人觉得用函数等描述手法,就可以把这个问题说得更明白一些。 一些准备工作 ...

    关于数据库三大范式的一些个人思考

    对于三大范式,上课时了解到的方式是通过自然语言的描述,所谓的直接相关和间接相关等内容,要自己反复琢磨才能够大致明白其意思,我个人觉得用函数等描述手法,就可以把这个问题说得更明白一些。

    一些准备工作

    数据库储存数据的方式是二维表格,我们可以这样来看,一列代表一个变量,也就是代表一个属性,单个表格内是一个属性的一个实例,我们大可以将一列代表看成一个变量,并将数据库中的概念一一与数学概念相对应,比如一个列表的主键看成自变量,一个列表的其他列看作是因变量,这为用映射关系来描述三大范式提供了基础

    第一范式

    第一范式并不涉及属性之间的相互关联,所以就不用详细说了,第一范式也是三大范式中最清楚的一个,也最好理解,具有方便数据的操作等好处。

    第二范式

    第二范式的自然语言描述为,确保表中的每列都和主键系相关,不能有部分相关,应当是整体相关,个人觉得没有形象的例子其实是有些费解的,我们尝试用数学一些的语言来描述。

    每个因变量,都能够表示为包含所有自变量的函数,如果只能表示为部分自变量的函数,就将这部分自变量设置为外键,作为另一张表的主键,并将这些因变量放入另一张表。

    既保证,每一张表的非主键都能表示为 F(x,y,z,……) ,其中,x,y,z等为全部自变量(主键)的集合。

    第三范式

    第三范式确保数据表中的每一列数据都和主键直接相关,而不能间接相关,这个就显得比较模糊了,同样我们用我的语言来重新描述。

    在保证第一二范式的前提下,如果存在,一个因变量y,使得在我们变量集中其他的因变量(也就是非主键属性集)能够被表示为这个只含有y的函数,那么就将这个y设定为外键,将能够表示为函数的因变量抽出写另外的一张表,这个表中y为主键,显然新的这个表同时满足第一二三范式,是一张“好的”表。

    既保证,一张表中,不存在一个因变量y,或者因变量组y……,能够使得其他因变量能够被表示为 F(y) 或者 F(y,……) 。

    小结

    在我看来,三大范式,是由于人们对于二维数据的理解较为深,处理较为方便的基础之上,用于规范数据,用类似构造复合函数的方式,保证了同张表内仅存在单一映射,能够使得变量之间不互相纠缠的好办法!

    至于能不能用其他的数据结构储存数据?我其实存疑,事实上在学习数据库知识之前,我绝对想不到数据是像类似excel表格一样存储在数据库中的。

    为什么不用三维的?或者树状的结构?或者没有发现的其他方式的结构?留待以后再学再思考吧,毕竟刚开始。

    展开全文
  • 因为不了解工作的内容,初出道者很难在互联网行业内获得一份工作 ,因为没有工作,所以没有工作经验,没有工作经验自然不知道工作的内容,而因此还是很难获得一份工作。这明显是一份悖论,当前在 工作的人,100%是从...

    陆续接到一些询问,说成为网络工程师后,具体的工作内容是哪些?因为不了解工作的内容,初出道者很难在互联网行业内获得一份工作 ,因为没有工作,所以没有工作经验,没有工作经验自然不知道工作的内容,而因此还是很难获得一份工作。这明显是一份悖论,当前在 工作的人,100%是从没有工作经验开始的。因此只要转变一下思路,路子自然开阔,可以获取到大量的信息,做好充足的准备,找到 一份工作也是水到渠成的事情。有以下几点建议:

    一、在招聘启事上面的内容,都是不着边际的。在这个行业内混得好的老鸟,根本都达不到上面的任何要求,但是一样可以轻易获取这份 工作。而新手却因此找不到北,疲于奔命而无门可入。第一个建议:不要以为招聘启事上面的内容就是他们真正需要的。由有经验人士指 点,或者在你的身边有很多人同样在找一份工作,参照其中成功的案例,则可事半功倍。

    二、硬指标如大学文凭、工作经验,其实都不是限制的必然因素,我认识很多人,并由具备其基本的要求,但仍然成功获取一份工作,甚 至进入著名的大企业,都是完全有可能的,因此障碍来自于自身认识和态度上的原因。第二个建议:肯努力工作,良好的职业道德才是企 业真正需要的,面试之前要问清楚自己到底能够为雇主带来什么,因此说服他给你一份工作。

    三、工作是由各种事情组成的,你的第一份工作90%是属于事务性质,只有10%和你的核心竞争力有关,指你的技能、专业、专长。 虽然你是一名网络工程师,但是老板一样会让你写《谁动了我的奶酪》的观后感,坐在办公室给客户打电话,要他们传一份需求过来,出 方案可能只是2小时,解决了所有技术细节,但是这个事情可能在数个月内,你便要不断和客户沟通,传递文件,写报告,向厂家询价这 类事情中度过。第三个建议:技术细节的问题不是你天天可以遇到,而且你有充足的时间去解决一个小问题。

    四、所谓有经验人士,假如他只是在重复做一样工作,那么三个月时间,你便可以完成其3-5年的积累,那个时候,我们开始设计at m的网络,而早来的老工程师却只知道用ddn组网,他们几乎只能在局外观望,提不出任何建议,非常地被动。现在也是一样的道理, 后生可畏,保持自身技能、水平的不断增长,才是硬道理,不要迷信经验能够为你带来什么。第四个建议:会使用gsr和懂得gsr的 技术是两码事,大部分有经验人士,只是会使用gsr而已,而实际上,让你去使用,你也是会的。现在不是你在这上面花费太多时间的 时候。

    五、刚出来第一年可能很困难,第二年就会如鱼得水,三年、五年,要真正上层次。但是你现在只是要获得一份工作。第五个建议:不要 有任何抱怨,好好干!事实才能证明一切

    展开全文
  • 考虑到需要排名、个性化和推荐的内容存在很差异,每个市场都有一些独特的挑战。相应地,在Airbnb,一个短期租赁市场,搜索和建议问题是非常独特的,这是一个双面市场,在这个用户很少消费同一物品两次,并且一个...

    搜索排名和推荐是主要互联网公司最感兴趣的基本问题,包括网络搜索引擎、内容发布网站和市场。尽管有一些共同的特点,但一个适合所有人的解决方案在这个领域并不存在。考虑到需要排名、个性化和推荐的内容存在很大差异,每个市场都有一些独特的挑战。相应地,在Airbnb,一个短期租赁市场,搜索和建议问题是非常独特的,这是一个双面市场,在这个用户很少消费同一物品两次,并且一个物品在特定日期只能接受一个客人的世界中,你需要优化主人和客人的偏好。在本文中,我们描述了为实现搜索排名中的实时个性化和类似的列表建议而开发和部署的列表和用户嵌入技术,这两个通道驱动99%的转换。嵌入模型是专门为Airbnb市场量身定制的,能够满足客人的短期和长期利益,提供有效的家庭列表建议。我们对嵌入模型进行了严格的离线测试,随后进行了成功的在线测试,然后将它们完全部署到生产中。

    在过去的十年中,通常基于经典信息检索的搜索架构在其各个组件中发现了机器学习的增加[2],尤其是在搜索排名中,根据搜索内容的类型,搜索排名通常具有挑战性的目标。这种趋势背后的主要原因是可以收集和分析的搜索数据量的增加。大量收集的数据为使用机器学习根据以前的搜索为特定用户个性化搜索结果提供了可能,并推荐类似于最近消费的内容。
    任何搜索算法的目标都可能因手头的平台而异。虽然有些平台的目标是提高网站的参与度(例如点击和花时间在正在搜索的新闻文章上),但另一些平台的目标是最大化转化率(例如购买正在搜索的商品或服务),在双边市场的情况下,我们通常需要优化标记两边的搜索结果。交易所,即卖方和买方。在许多现实世界中,双面市场已经成为一种可行的商业模式。特别是,我们已经从社会网络范式转移到一个由两种不同类型的参与者代表供需的网络。示例行业包括住宿(Airbnb)、骑乘共享(Uber、Lyft)、在线商店(Etsy)等。可以说,这些类型市场的内容发现和搜索排名需要满足生态系统的供需双方,才能实现增长和繁荣。
    在Airbnb的情况下,显然需要优化主机和客户的搜索结果,这意味着,如果输入一个包含位置和旅行日期的查询,我们需要对位置、价格、风格、评论等对客户有吸引力的高列表进行排名,同时,在旅行期间主机偏好方面也很匹配。提前几天。此外,我们还需要检测由于评论不好、宠物、住宿时间、团体规模或任何其他因素而可能拒绝客人的物品,并将这些物品的排名降低。为了达到这个目的,我们采用学习来排名。具体来说,我们将问题表述为成对回归,其中正效用用于预订,负效用用于拒绝,我们使用修改后的lambda rank[4]模型进行优化,该模型共同优化市场两侧的排名。
    由于客人通常在预订前进行多个搜索,即点击多个列表并在搜索过程中联系多个主机,因此我们可以在会话信号中使用这些信号,即点击、主机联系人等,以实现实时个性化,目的是向客人显示更多与我们认为类似的列表。他们从开始搜索时就喜欢了。同时,我们可以使用负信号,例如跳过高排名的列表,向客人显示与我们认为相似的列表中较少的列表。

    由于客人通常在预订前进行多个搜索,即点击多个列表并在搜索过程中联系多个主机,因此我们可以在会话信号中使用这些信号,即点击、主机联系人等,以实现实时个性化,目的是向客人显示更多与我们认为类似的列表。他们从开始搜索时就喜欢了。同时,我们可以使用负信号,例如跳过高排名的列表,向客人显示与我们认为相似的列表中较少的列表。
    搜索排名和推荐是主要互联网公司最感兴趣的基本问题,包括网络搜索引擎、内容发布网站和市场。尽管有一些共同的特点,但一个适合所有人的解决方案在这个领域并不存在。考虑到需要排名、个性化和推荐的内容存在很大差异,每个市场都有一些独特的挑战。相应地,在Airbnb,一个短期租赁市场,搜索和建议问题是非常独特的,这是一个双面市场,在这个用户很少消费同一物品两次,并且一个物品在特定日期只能接受一个客人的世界中,你需要优化主人和客人的偏好。在本文中,我们描述了为实现搜索排名中的实时个性化和类似的列表建议而开发和部署的列表和用户嵌入技术,这两个通道驱动99%的转换。嵌入模型是专门为Airbnb市场量身定制的,能够满足客人的短期和长期利益,提供有效的家庭列表建议。我们对嵌入模型进行了严格的离线测试,随后进行了成功的在线测试,然后将它们完全部署到生产中。

    CCS概念
    •信息系统→内容排名;网络日志分析;
    个性化;查询表示;文档表示;
    关键词
    搜索排名;用户建模;个性化
    ACM参考格式:
    Mihajlo Grbovic和Haibin Cheng。2018。
    实时个性化使用嵌入搜索排名在Airbnb。

    为了能够计算来宾交互的列表和需要排名的候选列表之间的相似性,我们建议使用从搜索会话中学习的列表嵌入、低维向量表示。我们利用这些相似性为我们的搜索排名模型创建个性化功能,并为我们类似的列表建议提供支持,这两个平台驱动了Airbnb 99%的预订量。

    除了使用即时用户操作(如点击)进行实时个性化之外,还可以用作短期用户兴趣的代理信号,我们还引入了另一种类型的嵌入,通过预订培训,能够捕捉用户的长期兴趣。由于旅游业务的性质,用户每年平均旅行1-2次,预订是一个稀疏的信号,用户的长尾巴只有一个预订。为了解决这个问题,我们建议在一个用户类型的级别上训练嵌入,而不是在一个特定的用户ID上训练嵌入,其中类型是使用多对一的基于规则的映射(利用已知的用户属性)来确定的。同时,我们学习在与用户类型嵌入相同的向量空间中列出类型嵌入。这使我们能够计算进行搜索的用户的用户类型嵌入与需要排名的候选列表的列表类型嵌入之间的相似性。
    与之前发表的有关网络个性化嵌入的工作相比,本文的新贡献是:

    •实时个性化-以前大部分关于个性化和使用嵌入的项目建议的工作[8,11]通过离线形成用户项目和项目建议表,然后在建议时从中读取,部署到生产中。我们实施了一个解决方案,将用户最近与之交互的项目嵌入以在线方式进行组合,以计算与需要排名的项目的相似性。
    •适应集合搜索培训-与网络搜索不同,旅游平台上的搜索通常是集合搜索,用户只在特定市场(如巴黎)内搜索,很少在不同市场进行搜索。我们调整了嵌入训练算法,在进行负抽样时考虑到这一点,这导致在市场上市相似性中更好地实现上限。
    •利用转换作为全球背景-我们认识到在我们的案例预订中,最终以转换结束的单击会话的重要性。在学习嵌入列表时,我们将预订的列表视为全局上下文,当窗口在会话中移动时,总是预测全局上下文。
    •用户类型嵌入-之前培训用户嵌入以获取其长期兴趣的工作[6,27]为每个用户培训单独的嵌入。当目标信号稀疏时,没有足够的数据为每个用户训练良好的嵌入表示。更不用说,为每个用户存储嵌入以执行在线计算需要大量的内存。因此,我们建议在用户类型的级别上对嵌入进行培训,其中具有相同类型的用户组将具有相同的嵌入。
    •拒绝作为显式否定-为了减少导致拒绝的重新建议-我们在用户中编码主机偏好信号,并通过在培训期间将主机拒绝视为显式否定来列出类型嵌入。
    对于短期兴趣个性化,我们使用超过8亿次搜索点击会话培训了列表嵌入,从而产生高质量的列表表示。我们对真实的搜索流量进行了广泛的离线和在线评估,结果表明,在排名模型中添加嵌入功能会导致显著的预订收益。除了搜索排名算法外,还成功地测试和启动了列表嵌入,以获得相似的列表建议,这些建议比现有算法的点击率(ctr)高出20%。
    对于长期兴趣个性化,我们使用5000万用户预订的列表序列培训用户类型和列表类型嵌入。用户和列表类型嵌入都是在相同的向量空间中学习的,这样我们就可以计算用户类型和需要排序的列表类型之间的相似性。相似性被用作搜索排名模型的一个附加功能,并成功地进行了测试和发布。

    2项相关工作
    在许多自然语言处理(NLP)应用中,将单词表示为高维、稀疏向量的语言建模的经典方法已被学习单词嵌入的神经语言模型所取代,即通过使用神经网络来实现单词的低维表示[25,27]。在假设句子中经常出现在一起的词也具有更多的统计依赖性的基础上,直接考虑词序及其共现性,对网络进行训练。随着高可扩展连续词袋(cbow)和跳克语(sg)语言模型在词表示学习中的发展[17],嵌入模型在大量文本数据的训练后,在许多传统语言任务中获得了最先进的性能。
    最近,嵌入的概念已经扩展到了单词表示以外的NLP领域的其他应用程序。来自网络搜索、电子商务和市场营销领域的研究人员很快意识到,正如人们可以通过将句子中的一系列单词视为上下文来训练单词嵌入一样,同样可以训练用户嵌入,例如点击或购买的项目[11,18]、点击的查询和广告[8,9],将用户操作序列视为上下文。从那时起,我们就看到嵌入在网络上被用于各种类型的建议,包括mu-sic建议[26]、工作搜索[13]、应用程序建议[21]、电影建议[3,7]等。此外,已经显示,用户交互的项目可以被用来直接将用户嵌入在同一个项目中。功能空间作为项目嵌入,这样可以直接提出用户项目建议[6、10、11、24、27]。对于冷启动建议特别有用的替代方法是仍然使用文本嵌入(例如,在https://code.google.com/p/word2vec上公开的文本嵌入)和利用项目和/或用户元数据(例如标题和描述)来计算其嵌入[5、14、19、28]。最后,对于社会网络分析,提出了类似的嵌入方法,其中可以使用图上的随机游动来学习图结构中节点的嵌入[12,20]。
    嵌入方法在学术界和工业界都产生了重大影响。最近的行业会议出版物和
    会谈表明,他们已经成功地部署在雅虎[8,11,29]、Etsy[1]、Criteo[18]、LinkedIn[15,23]、Tinder[16]、Tumblr[10]、Instacart[22]、Facebook[28]等主要网络公司的各种个性化、推荐和排名引擎中。

    3方法论
    在下文中,我们介绍了在Airbnb上列出建议和在搜索中列出排名的建议方法。我们分别描述了两种不同的方法,即短期实时个性化的列表嵌入和长期个性化的用户类型和列表类型嵌入。
    3.1列表嵌入
    假设我们得到了一组S点击会话
    FromNusers,其中每个会话=(l1,…,lm)∈sisDefined
    作为m的不间断序列,列出单击的ID
    由用户。只要有时间,就会启动新会话
    两次连续用户单击之间的间隔超过30分钟。
    给定这个数据集,目的是学习D维实值
    表示每一个唯一的列表l的v∈rd,这样类似的l i i
    列表位于嵌入空间的附近。
    更正式地说,模型的目标是学习列表
    通过在整个搜索会话集上最大化目标函数l,使用skip-gram模型[17]表示,定义如下
    图1:用于列出嵌入的跳过Gram模型
    其中需要学习的参数θ为v l和v c,l,c∈v,通过随机梯度上升进行优化。
    作为全球背景登记上市。我们可以将click sessions集合分解为1)已预订的会话,即以用户预订要停留的列表结束的单击会话,以及2)探索性会话,即不以预订结束的单击会话,即用户只是浏览。从捕获上下文相似性的角度来看,两者都很有用,但是预订会话可以用于调整优化,这样在每个步骤中,我们不仅可以预测相邻的单击列表,还可以预测最终预订的列表。这种调整可以通过将预订列表添加为全局上下文来实现,这样无论它是否在上下文窗口中,都将始终进行预测。因此,对于预订的会话,嵌入更新规则将变为
    观测概率(li+j_li)从上下文中列出li+j

    (4)当vlb被添加到bokedlistinglb.exploration会话中时,仍然通过优化目标(3)进行更新。
    图1显示了如何使用2n+1大小的滑动窗口从预订的会话中学习列表嵌入,该窗口从第一次单击的列表滑到预订的列表。在每个步骤中,中心列表vl的嵌入都会被更新,这样它就可以从dp和预定列表vlb中预测上下文列表vc的嵌入。当窗口滑动时,一些列表会进入和退出上下文集,而预订的列表始终作为全局上下文(虚线)保留在其中。
    适应集合搜索的训练。在线旅游预订网站的用户通常只在一个市场内搜索,即他们想停留的地点。因此,DP很有可能包含来自同一市场的上市公司。另一方面,由于对负数随机抽样,dn很可能包含的大多数列表与dp中的列表不在同一市场。在每一步中,对于一个给定的中央清单l,正上下文主要由来自与l相同市场的清单组成,而负上下文主要由与l不同市场的清单组成。我们发现这种不平衡导致在市场相似性中学习次优。为了解决这一问题,我们建议增加一组随机负DMN,从中央上市公司L的市场中抽取。
    logp(li+j_li),(1)单击列表li的邻域使用软max定义
    s∈sli∈s−m≥j≤m,i0
    exp(v_v′)p(li+j li)=li li+j,
    (2)其中vl和v′是
    _v_exp(v_v′)l=1里尔
    L

    清单l中,超参数m定义为单击列表的相关前向和后向上下文(邻域)的长度,v是定义为数据集中一组唯一列表ID的词汇表。从(1)和(2)可以看出,所提出的方法模拟了列表点击序列的时间上下文,其中具有相似上下文(即在搜索会话中具有相似相邻列表)的列表将具有相似的表示。
    计算(1)中目标函数的梯度l所需的时间与词汇大小v成比例,对于大型词汇表,例如数百万个列出ID,这是一项不可行的任务。作为替代方案,我们使用了[17]中提出的负抽样方法,这大大降低了计算复杂性。负采样可按以下公式计算。我们生成一组单击列表l及其上下文c的正对(l,c)的dp(即,在c之前和之后发生的同一用户单击其他列表)。

    冷启动列表嵌入。每天,主机都会创建新的列表并在Airbnb上提供。此时,这些列表没有嵌入,因为它们不在Click会话的培训数据中。为了创建新列表的嵌入,我们建议使用其他列表的现有嵌入。
    在创建列表时,主机需要提供有关列表的信息,如位置、价格、列表类型等。我们使用提供的列表元数据查找3个地理上最近的列表(半径10英里内),这些列表包含嵌入内容,与新列表具有相同的列表类型(如私人房间),并且属于与新上市相同的价格桶(例如,每晚20-25美元)。接下来,我们使用3个已识别列表的嵌入来计算平均向量,以形成新的列表嵌入。使用这种技术,我们可以覆盖98%以上的新列表。
    正在检查列表嵌入。为了评估嵌入所捕获的列表特征,我们研究了在8亿次点击会话中使用(5)训练的d=32维嵌入。首先,通过对学习的嵌入执行k-均值聚类,我们评估地理相似性是否被编码。图2显示了加利福尼亚州产生的100个集群,证实了来自相似位置的列表聚集在一起。我们发现这些集群对于重新评估我们对旅游市场的定义非常有用。接下来,我们评估

    来自洛杉矶的不同房源类型(表1)以及不同价格范围的房源列表(表2)。从这些表中可以看出,与不同类型和价格范围的列表之间的相似性相比,相同类型和价格范围的列表之间的余弦相似性要高得多。因此,我们可以得出结论,这两个列表特征也在学习嵌入中很好地编码。

    虽然一些列表特征(例如价格)不需要学习,因为它们可以从列表元数据中提取,但是其他类型的列表特征(例如架构,风格和感觉)更难以以列表特征的形式提取。为了评估嵌入是否捕获了这些特征,我们可以在列表嵌入空间中检查唯一体系结构列表的k-最近邻居。图3显示了一个这样的情况,其中对于左侧的唯一体系结构列表,最相似的列表具有相同的样式和体系结构。为了能够在列表嵌入空间中进行快速简便的探索,我们开发了一个内部相似性探索工具,如图4所示。
    该工具的演示视频可在https://youtu.be/1kJSAG91TrI在线获得,它显示了更多嵌入式示例,能够找到相同独特结构的类似列表,包括船屋,树屋,城堡,小木屋,海滨公寓等

    3.2
    用户类型和列表类型嵌入
    是否是否
    房型
    整个家庭私人房间共用房间
    整个家
    0.895
    私人房间0.875
    0.901
    共享房间
    0.848 0.865 0.896
    国家美国
    CA GB Priv Share 40-55 56-69 21-27 28-34 1 2-5
    FR MX
    70-83 84-100 35-42 43-52 6-10 11-35
    AU ES ......

    表2:不同价格范围之间的余弦相似性

    Num Bedrooms Num浴室新客人Acc%
    0
    0 <60
    3 4+ 1 2 3+
    61-90> 91
    价格范围
    <$ 30 $ 30- $ 60 $ 60- $ 90 $ 90- $ 120 $ 120 +
    <$ 30
    0.916
    $ 30- $ 60 0.887
    0.906
    $ 60- $ 90
    0.882 0.889 0.902
    $ 90- $ 120
    0.871 0.876 0.883 0.898
    $ 120+
    0.854 0.865 0.880 0.890 0.909
    列出第3.1节中描述的嵌入。使用点击会话训练的人非常善于发现同一市场的列表之间的相似性。因此,它们适合于短期的,会话中的个性化,其目的是向用户列表显示与他们在内在搜索会话期间点击的列表相似的列表。
    然而,除了会话内个性化之外,基于刚刚在同一会话中发生的信号,基于来自用户的长期历史的信号来个性化搜索将是有用的。例如,如果用户当前正在洛杉矶搜索列表,并且已经在纽约和伦敦进行过预订,那么推荐与之前预订的列表类似的列表将是有用的。
    虽然在使用点击培训的列表嵌入中捕获了一些跨市场相似性,但学习这种跨市场相似性的更主要方式是从特定用户随时间预订的列表构建的会话中学习。具体来说,让我们假设我们获得了从N个用户获得的一组Sb预订会话,其中每个预订会话sb =(lb1,...,lbM)被定义为由用户j及时订购的列表。尝试使用这种类型的数据为每个listinд_id学习嵌入vlid在很多方面都具有挑战性:
    •首先,预订会话数据Sb远小于点击会话数据S,因为预订的事件频率较低。
    •其次,许多用户过去只预订了一个列表,我们无法从长度为1的会话中学习。
    •第三,要从上下文信息中学习任何实体的有意义嵌入,数据中至少需要5-10次出现该实体,并且平台上有许多listinд_ids被预订的次数少于5-10次。
    •最后,用户可能会在两次连续预订之间经过很长时间间隔,并且在这段时间内,用户偏好(例如价格点)可能会发生变化,例如:由于职业变化。
    为了在实践中解决这些非常常见的市场问题,我们建议学习listinд_type而不是listinд_id.Givenmeta-dataavailableforacertainlistinд_idsuchas位置,价格,列表类型,容量,床位数等级的嵌入,我们使用

    Num预订
    每晚$
    每位客人$
    容量<2 Num评论<1个房源5 Star%0-40 Guest 5 Star%0-40
    4.1-6 6.1+
    清单类型
    每晚$
    每位客人$
    Num评论
    清单5 Star%
    容量
    NumBeds 1
    设备类型完整档案资料照片
    NYC LA es ​​fr Mac Msft Andr
    PHL ru平板电脑
    84-100 43-52
    AUS LV ... ko de ...
    苹果手机 ...
    101-129 130-189 190+ 53-75 76+
    Ent <40 <21
    101-129
    53-75 76+
    0 0-40 1
    41-60 61-90 90+
    35+ 6+
    2 3
    2 3 4+
    1 2
    4 5
    130-189 190+
     表4:用户元数据到用户类型桶的映射
    铲斗1
    市场SF语言en
    2 3
    4
    HK jp Ipad
    8+ 70-83 35-42 3.1-4> 10 90+ 90+
    56 78
      0 1 2-7 <40 40-55 56-69 <21 21-27 28-34
    2-2.6 2.7-3 1-3.5 3.6-10 41-60 61-90 41-60 61-90
    表3中定义的基于规则的映射确定其listinд_type。例如,一个来自美国的整套房子,有2人容量,1张床,1间卧室和1个浴室,每晚平均价格为$ 60.8,每位客人每晚平均价格$ 29.3,5次浏览,全部5星,100%新访客接受率将映射到listinд_type=US_lt1_pn3_pд3_r3_5s4_c2_b1_bd2_bt2_nu3。以数据驱动的方式确定块,以最大化每个listinд_type桶中的覆盖率。从listinд_id到listinд_type的映射是多对一映射,这意味着许多列表将映射到相同的listinд_type。
    为了考虑用户不断变化的偏好,我们建议在与listinд_type嵌入相同的向量空间中学习用户_type嵌入。 user_type使用我们应用于列表的类似过程来确定,即通过利用表4中定义的关于用户及其先前预订的元数据。例如,对于来自旧金山的用户使用MacBook笔记本电脑,英语语言设置,用户的评价完整档案,平均来说评分83.4%来自房东的5星级评价,他们在过去预订了3处,其中预订的房源的平均价格为$ 52.52每晚价格,$ 31.85每人每晚价格,2.33容量,8.24评论和76.1%列表5星评级,生成的用户_type是SF_lд1_dt1_fp1_pp1_nb1_ppn2_ppд3_c2_nr3_l5s3_д5s3.Whengenrating预订会话

    进入预订会议。 具体来说,我们形成一个由N个用户组成Nb预订会话的集合Sb,其中每个会话sb =(utype1ltype1,...,utypeMltypeM)∈Sb是定义预订事件的定义,即(user_type,listinд_type)元组或 -  及时发展。 请注意,每个会话都包含相同user_id的预订,但是对于单个user_id,他们的user_types可能会随着时间的推移而发生变化,类似于同一个列表的listinд_types随着时间的推移会随着接收更多预订而发生变化。
    需要优化的目标可以与(3)类似地定义,其中代替列出l,需要更新的中心项是user_type(ut)或listinд_type(lt),具体取决于哪一个在滑动中被捕获 窗口。 例如,要更新我们使用的用户_type(ut)的中心项

    where D包含最近的user_type和listinд_type
    星级评分高于其他人,我们希望listinд_types和user_types的嵌入在向量空间中更接近,这样基于嵌入相似性的建议除了最大化预订机会外,还会减少未来的拒绝。
    我们以下列方式将拒绝的使用制定为明确的否定。除了设置Dbook和Dneд之外,我们还生成了一个参与拒绝事件的user_type或listinд_type对(ut,lt)的Drej集。如图5b所示(右侧),我们特别关注当主机拒绝(标有减号)后由同一用户成功预订(标有加号)另一个列表的情况。然后可以将新的优化目标表述为
    表5:基于类型嵌入用户类型的建议
    SF_lд1_dt1_fp1_pp1_nb3_ppn5_ppд5_c4_nr3_l5s3_д5s3
    清单类型
    US_lt1_pn4_pд5_r5_5s4_c2_b1_bd3_bt3_nu3(大,好评)
    US_lt1_pn3_pд3_r5_5s2_c3_b1_bd2_bt2_nu3(便宜,差评)
    US_lt2_pn3_pд3_r5_5s4_c1_b1_bd2_bt2_nu3(私人房间,好评)
    US_lt2_pn2_pд2_r5_5s2_c1_b1_bd2_bt2_nu3(便宜,差评)
    US_lt3_pn1_pд1_r5_5s3_c1_b1_bd2_bt2_nu3(共享房间,差评)

    0.629 0.350 0.241 0.169 0.121
    argmax
    θ
    log -v'vu + 1 + exp c t
    日志
    v'vu 1 + exp c t
    ?1?1
    (UT,C)∈Dbook
    +?记录1。
    (8)在更新作为用户_type(ut)的中心项的情况下,和
    argmax
    θ
    在更新作为listinд_type(lt)的中心项的情况下。给定所有user_types和listinд_types的学习嵌入,我们可以根据用户当前用户_type嵌入和候选列表的listinд_type嵌入之间的余弦相似性向用户推荐最相关的列表。例如,在表5中,我们显示了用户_type =SF_lд1_dt1_fp1_pp1_nb3_ppn5_ppд5_c4_nr3_l5s3_д5s3之间的余弦相似度,他们通常会预订高质量,宽敞的列表并获得大量好评
    和美国的几个不同的listinд_types。可以观察到,最符合这些用户偏好的列表类型,即整个住宅,大量良好评论,大且高于平均价格,具有高的相似性,而那些与用户偏好不匹配的那些,即具有较少的用户偏好。空间,较低的价格和少量的评论具有低余弦相似性。
    4个实验
    在本节中,我们首先介绍了培训列表Em-beddings及其离线评估的详细信息。然后,我们将在列表页面上显示使用列表嵌入到类似列表建议的在线实验结果。最后,我们给出了搜索排名模型的背景,并描述了如何使用列表嵌入和列表类型和用户类型嵌入来实现搜索中的实时个性化功能。这两种嵌入应用都成功投入生产。
    (UT,C)∈Dneд
     (ut,lt)∈Dreject1+ expv'ltvut?1?1
      log -v'v + 1 + exp c lt
    log v'v 1 + exp c lt
      (LT,C)∈Dbook
    书?1
    用户历史记录,特别是关于中心项目的时间戳的近期和近期的用户预订,而Dneд包含randomuser_typeorlistinд_typeinstancesusedasnegatives。同样,如果中心项是listinд_type(lt),我们优化以下目标
    (lt,c)∈Dneд+ logv'v。 (9)
    (lt,ut)∈Dreject1+ exp ut lt
     ?1?1
    argmax log -v'v +θ(lt,c)∈Dbook1+ e c lt
    记录v'v。 1 + e c lt
    (7)
      图5a(左侧)显示了该模型的图形表示,其中中心项表示用户_type(ut),对其执行更新,如(6)所示。
    由于按定义预订会话主要包含来自不同市场的列表,因此无需像在会话3.1中那样从预订列表中抽取来自同一市场的额外负面信息。在点击会话中考虑集中搜索。
    拒绝的明确否定。与仅反映客人偏好的点击不同,预订也反映了主机方偏好,因为主机存在明确的反馈,其形式是接受客人预订或拒绝客人预订请求的请求。主机拒绝的一些原因是糟糕的客人星级评分,不完整或空客人档案,没有个人资料图片等。这些特征是表4中用户_type定义的一部分。
    除了客户偏好信号之外,还可以在训练期间利用主机拒绝来对嵌入空间中的主机偏好信号进行编码。合并拒绝信号的整个目的是某些listinд_types对user_types不太敏感,没有预订,不完整的配置文件和低于普通客户
    (LT,C)∈Dneд
     4.1培训列表嵌入
    对于培训列表嵌入,我们从搜索中创建了8亿个点击会话,从登录用户中获取所有搜索,按用户ID对其进行分组,并及时点击列表ID。接下来将一个大的有序列表ID拆分为多个列表


    4.2列表嵌入的离线评估
    为了能够快速决定关于优化功能,训练数据构建,超参数等的不同想法,我们需要一种快速比较不同嵌入的方法。
    评估经过培训的嵌入的一种方法是根据最近的用户点击来测试他们推荐用户预订的列表的好处。更具体地说,让我们假设我们获得了最近点击的列表和列出需要排名的候选人,其中包含用户最终预订的列表。通过计算点击列表和候选列表的嵌入之间的余弦相似性,我们可以对候选者进行排名并观察预订列表的排名位置。
    1 https://code.google.com/p/word2vec 2 http://airbnb.io/projects/airflow
    图6:列表嵌入的离线评估
    出于评估目的,我们使用了大量此类搜索,点击和预订活动,其中排名已由我们的搜索排名模型指定。在图6中,我们显示了离线评估的结果,其中我们比较了d = 32个床垫的几个版本,以及它们如何根据预先列出的预订列表对其进行排名。预订列表的排名是每次点击导致预订的平均值,在预订前最多点击17次点击到预订前的最后点击。较低的价值意味着更高的排名。我们比较的嵌入版本是1)d32:使用(3)训练,2)d32书:使用预订作为全球背景训练(4)和3)d32 book + neg:使用预订作为全球背景和来自同一市场的明显否定进行训练(5)。
    可以看出,搜索排名模型随着点击次数的增加而变得更好,因为它使用了记忆功能。还可以观察到,基于嵌入相似性对列表进行重新排序将是有用的,尤其是在搜索漏斗的早期阶段。最后,我们可以得出结论,d32 book + neg优于其他两个嵌入版本。使用相同类型的图来做出关于超参数,数据构造等的决策。
    4.3使用嵌入的类似列表
    每个Airbnb主页列表第3页都包含相似的列表轮播,它推荐与其相似且可用于同一组日期的列表。在我们测试时,类似列表轮播的现有算法在与给定列表相同的位置调用主搜索排名模型,然后过滤给定列表的可用性,价格范围和列表类型。
    我们进行了A / B测试,我们将现有的单一列表算法与基于嵌入的解决方案进行了比较,其中通过查找列表嵌入空间中的k个最近邻居来生成类似的列表。给定学习列表嵌入,通过计算其向量v1和来自相同市场的所有列表的向量vj之间的余弦相似性来找到给定列表l的类似列表(如果登记和检查) - 日期已设定)。具有最高相似性的K列表被检索为类似列表。计算是在线进行的,并使用我们的分片架构并行进行,其中部分嵌入存储在每台搜索机器上。
    3 https://www.airbnb.com/rooms/433392
      
    A / B测试显示,基于嵌入式的解决方案导致类似列表轮播点击率增加21%(列表页面输入日期时为23%,无日历页面为20%),查找的客户增加4.9%他们最终在类似列表轮播中预订。鉴于这些结果,我们将基于嵌入的类似列表部署到生产中。


    4.4使用嵌入搜索排名的实时个性化
    背景。要正式描述我们的搜索排名模型,请让我们
    我们假设我们获得了关于每个搜索Ds =的训练数据
    (xi,yi),i = 1 ... K,其中K是返回的列表数
    搜索,xi isavectorcontainingfeaturesofthei-thlistingresultand
    yi∈{0,0.01,0.25,1,-0.4}是thethebebelassignedtothei-thlisting
    结果。将标签分配给搜索中的特定列表
    结果我们等了1周后,搜索发生了观察决赛
    结果,如果预订列表,则yi = 1,yi = 0.25 if
    客人联系了上市主持人,但预订没有发生,
    y = -0.4如果上市主持人拒绝了客人,则yi = 0.01是列出的
    如果列表刚刚查看但未单击,则单击并且yi = 0。后
    那1周等待设置Ds也缩短为仅保留搜索
    resultsuptothelastresultuserclickedonKc≤K.Finally,toform
    数据D =?NDs我们只保留包含至少一个s = 1的Ds集
    预订标签。每当我们培训新的排名模型时,我们都会使用最近30天的数据。
    第i个列表结果的特征向量xi包括列表特征,用户特征,查询特征和交叉特征。列表功能是与列表本身相关联的功能,例如每晚的价格,列表类型,房间数,拒绝率等。查询功能是与发布的查询相关联的功能,例如客人数量,逗留时间,用户功能是与进行搜索的用户相关联的功能,例如平均预订价格,访客评分等。交叉功能是从以下两个或多个功能源派生的功能:列表,用户,查询。此类功能的示例是查询列表距离:查询位置与列表位置之间的距离,容量拟合:查询客人数与列表容量之间的差异,价格差异:上市价格与用户历史预订平均价格之间的差异,拒绝概率:主机拒绝这些查询参数的概率,点击百分比:实时记忆功能,跟踪用户点击该特定列表的百分比等。该模型使用大约100个功能。为简明起见,我们不会列出所有这些内容。
    接下来,我们使用搜索标签作为实用程序将问题表示为成对回归,并使用数据D来训练梯度提升决策树(GBDT)模型,使用修改为支持Lambda Rank的包4。在离线评估不同模型时,我们使用NDCG(一种标准排名指标)来保留一组搜索会话,即80%的D用于培训,20%用于测试。
    最后,一旦模型被训练,它就被用于搜索中的列表的在线评分。计算由用户u执行的搜索查询q返回的每个列表的特征向量xi所需的信号都是以在线方式计算的,并且使用我们的分片架构并行地进行评分。给定所有分数,列表以预测效用的降序显示给用户。
    4 https://github.com/yarny/gbdt
    表6:嵌入搜索排名的功能
    功能名称
    EmbClickSim EmbSkipSim EmbLongClickSim EmbWishlistSim EmbInqSim EmbBookSim
    EmbLastLongClickSim UserTypeListingTypeSim
    描述
    与Hc相似的点击列表的相似性与跳过的列表Hs与长期点击列表的相似度与列入清单的列表的相似性与被联系的列表的相似性与预订列表的相似性Hb
    与上次长按的列表用户类型和列表类型相似性的相似性
       列出嵌入功能。向我们的搜索排名模型添加嵌入功能的第一步是将450万个嵌入加载到我们的搜索后端,以便可以实时访问它们以进行特征计算和模型评分。
    接下来,我们介绍了几个用户短期历史记录集,其中包含过去2周内的用户操作,这些操作会在新用户操作发生时实时更新。逻辑是使用Kafka 5实现的。具体来说,对于每个user_id,我们收集并维护(定期更新)以下几组列表ID:
    (1)Hc:点击listing_ids  - 用户在过去2周内点击的列表。
    (2)Hl c:长按click_ids  - 列出用户点击并停留在列表页面上的时间超过60秒。
    (3)Hs:跳过listing_ids  - 用户跳过的列表,支持点击较低位置的列表
    (4)Hw:wishlisted listing_ids  - 用户在过去2周内添加到心愿单的列表。
    (5)嗨:查询的listing_ids  - 用户在过去2周内联系但未预订的列表。
    (6)Hb:已预订listing_ids  - 用户在过去2周内预订的列表。
    我们进一步将每个短期历史集H *拆分为包含来自同一市场的列表的子集。例如,如果用户点击了来自纽约和洛杉矶的列表,他们的setHc将会在喜欢Hc(NY)和Hc(LA)的情况下进行搜索。
    最后,我们定义了embeddi

    列出嵌入vli和Hc市场级质心嵌入之间的两个相似之处。
    表7:嵌入功能覆盖范围和重要性
    更一般地,EmbClickSim可以表示为EmbClickSim(li,Hc)= max cos(vli,?
    m∈Mlh∈m,lh∈Hc
    vlh),(10)
    功能名称
    EmbClickSim EmbSkipSim EmbLongClickSim EmbWishlistSim EmbInqSim EmbBookSim
    EmbLastLongClickSim UserTypeListingTypeSim
    覆盖特征重要性76.16%5/104
    78.64%8/104 51.05%20/104 36.50%47/104 20.61%12/104 8.06%46/104
    48.28%11/104 86.11%22/104
    其中M是用户点击的市场集合。
    除了与所有用户点击的相似性外,我们还添加了一项功能
    测量与最新长按,EmbLastLongClickSim的相似度。对于候选列表li,它是通过查找来自于Hlc的longclickedlistingllast的嵌入式和嵌入式之间的余弦相似性来计算的,
    EmbLastLonдClickSim(li,Hlc)= cos(vli,vllast)(11)
    用户类型和列表类型嵌入功能。我们遵循类似的程序来介绍基于用户类型和列表类型嵌入的功能。我们使用5000万用户预订会话为500K用户类型和500K列表类型培训嵌入。嵌入是d = 32维,并且在预订会话期间使用m = 5的滑动窗口进行训练。用户类型和列表类型嵌入被加载到搜索机器内存中,这样我们就可以在线计算类型相似度。
    要计算候选列表li的UserTypeListingTypeSim功能,我们只需查找其当前列表类型lt以及正在进行搜索的用户的当前用户类型ut并计算其嵌入之间的余弦相似度,
    UserTypeListinдTypeSim(UT,LT)= COS(VUT,VLT)。 (12)
    表6中的所有特征都被记录了30天,因此它们可以被添加到搜索排名训练集D.特征的覆盖范围,即具有特定特征的D的比例,在表7中报告。如预期的那样,它可以观察到,基于用户点击和跳过的功能具有最高的覆盖范围。
    最后,我们培训了一个新的GBDT搜索排名模型,其中添加了嵌入功能。嵌入特征的特征重要性(在104个特征中排名)如表7所示。排名最高的特征是与用户点击的列表相似(EmbClick-Sim:排名第5)和与列表用户跳过的相似性(EmbSkipSim:排名第8)。五种嵌入功能跻身前20大功能。正如预期的那样,使用过去所有用户预订的长期功能UserType-ListingTypeSim排名优于短期功能EmbBookSim,后者仅考虑过去2周的预订。这也表明了建议
    基于过去的预订,使用历史预订会话而非点击会话训练的嵌入更好。
    为了评估模型是否学会了我们所使用的特征,我们绘制了3个嵌入特征的部分依赖图:EmbClickSim,EmbSkipSim和UserTypeListTypeSim。这些图显示了如果我们修复除了单个特征(我们正在检查的特征)之外的所有特征的值,那么列表的排名分数会发生什么。在左侧子图中可以看出,传达该列表的大值EmbClickSim类似于用户最近点击的列表,导致更高的模型得分。中间的子图显示,EmbSkipSim的大值表示列表类似于用户跳过的列表,导致模型得分较低。最后,右侧子图显示UserTypeListingTypeSim的较大值(表示用户类型与列表类型相似)会导致模型得分高于预期。
    在线实验结果摘要。我们进行了离线和在线实验(A / B测试)。首先,我们比较了使用和不使用嵌入功能在相同数据上训练的两个搜索排名模型。在表8中,我们总结了每个公用事业的DCU(折扣累积效用)(压力,点击,拒绝和预订)和整体NDCU(标准化折扣累积效用)的结果。可以观察到,添加床垫特征导致NDCU升高2.27%,预订DCU增加2.58%,这意味着预订列表在保留集中排名更高,没有任何拒绝打击(DCU -0.4是flat),意思是被拒绝的列表在没有嵌入特征的情况下的排名没有高于模型。
     

    展开全文
  • 关于《道法自然》一书中“依赖倒置”问题

    千次阅读 热门讨论 2004-10-27 14:51:00
    《道法自然》一书问世后,有不少热心读者发来邮件探讨相关技术问题。...感觉写得非常好,正如李维先生评价一样,内容丰富,汇集并组织大量面向对象知识,并且以一个实践项目为主线将这些知识有机组织,
  • 自然语言处理研究是人类用自然语言与计算机之间进行通信技术,属于语言学和计算机...内容由易至难、详略得当,符合初学者认知规律:涵盖了从自然语言数据处理、基础任务(如分词、词性标注、命名实体识别等)到实
  • 面对资源约束趋紧、环境污染严重、生态系统退化的严峻形势,必须树立尊重自然、顺应自然、保护自然的生态文明理念,把生态文明建设放在突出地位,融入经济建设、政治建设、文化建设、社会建设各方面和全过程,努力...
  • 网络上关于自然语言处理技术的分享文章很多,今天就给大家分享一下HanLP方面的内容自然语言处理技术其实是所有与自然语言的计算机处理相关联的技术的统称,自然语言处理技术应用的目的是为了能够让计算机理解和...
  • 关于技术人员思考

    千次阅读 2015-05-14 17:13:11
    关于技术人员的思考很久没有写博客了,这次的内容主要是对开发这个岗位的思考。职业技能对于开发岗位来讲,职业技能的重要性是十分明显的。刚从学校出来的时候,大家都是一样的,在学校里面做一样的项目,写差不多的...
  • 国内的关于Windows Mobile平台应用开发方面书籍很少,不过最近各出版社相继出版了几本。对移动应用开发极感兴趣自然要逐一收藏。最近看了由众多MVP合作编著《Windows Mobile平台应用与开发》一书。 发现...
  • 关于湖北恩施峡谷导游词5篇 峡谷位于恩施沐抚境内,听人们说,那是很久以前,一次自然灾害形成奇观。5月1日,阳光明媚,清风拂面,一切都那么美好。以下内容是小编为您精心整理湖北恩施峡谷导游词,欢迎...
  • 本文是一篇关于语言模型自然语言处理帖子 媒介:心血来潮看了一个自然语言处理公开课,牛柯林斯讲解。觉得很好,就自己动手把它讲稿翻译成中文。一方面,希望通过这个翻译过程,让自己更加懂得讲解...
  • 关于移动端适配详解 推荐网站:www.aol.com响应式做很好。 之前我写过一篇关于移动端布局文章,...有人说我高度不固定而是采用高度由内容撑起来,这样同样是解决不了内容被压扁尴尬,原因自然就是iphone6...
  •  二、活动宗旨: 班级参与,人人参加,让校园充满欢乐,让学生健康、活泼、全面发展,挖掘学生的潜能,激发学生热爱大自然的欲望,为学生全面发展提供机会,让学生勤动手、勤动脑,进一步培养学生手脑并用的能力。...
  • 演讲中手势的运用需自然 虽说在演讲中是尽量要有手势来配合自己所表达的内容的,但是大家一定要记住,演讲中手势的运用一定要自然,不然反而会给人一种很作的感觉。下面是小编为大家收集关于演讲中手势的运用需自然...
  •  春天到了,带来了大自然的万物复苏和欣欣向荣。明天又是3月12日植树节了!又到了植树造林的好时节,同学们,你们知道我们为什么要植树造林吗? 自然界中的人类、生物和气候、土壤、水等环境条件之间存在着错综...
  • 下面是小编为你们整理的内容,希望你们喜欢。 关于音乐的标语 1. 乐韵遍小城绕梁廿五载。 2. 来张家界聆听自然的呼吸。 3. 音乐是人类情感的主宰。 4. 音乐起源与生活,生活因音乐而精彩。 5. 融入音乐廿五载...
  • 关于环保活动总结报告篇一 活动目的:此次南湖之行,为了促进新老社员间交流,增进燃心社家庭内温暖气氛,在学习之余,感受美丽的自然风光,放松自己心情,陶冶情操。美化南湖环境为创造魅力新唐山,美丽新...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 568
精华内容 227
关键字:

关于大自然的内容