時效性演算法

① 利用Dijkstra演算法求下圖中從頂點1到其它各頂點間的最短路徑，按下面表格形式

v1到v2：10為最短路徑；

v1到v3：7為最短路徑；

v1到v4：8為最短路徑；

v1到v5：v1-> v2 -> v5 =10+6= 16；v1v3v5=7+9=16;v1v4v6v5=8+5+2=15; 15為最短路徑；

v1到v6：v1v2v3v6=10+2+9=21；v1v3v6=7+9=16；v1v4v6=8+5=13；13為最短路徑；

v1到v7：v1v2v5v7=10+6+20=36；v1v3v5v7=7+9+20=36；v1v3v6v7=7+9+30=46；

v1v4v6v7=8+5+30=42；v1v4v6v5v7=35；35為最短路徑

Dijkstra：

求單源、無負權的最短路。時效性較好，時間復雜度為O（V*V+E）。源點可達的話，O（V*lgV+E*lgV）=>O（E*lgV）。當是稀疏圖的情況時，此時E=V*V/lgV，所以演算法的時間復雜度可為O（V^2）。若是斐波那契堆作優先隊列的話，演算法時間復雜度，則為O（V*lgV + E）。

以上內容參考：網路-最短路徑演算法

② 計算機網路的最短路徑演算法有哪些對應哪些協議

用於解決最短路徑問題的演算法被稱做「最短路徑演算法」，有時被簡稱作「路徑演算法」。最常用的路徑演算法有：
Dijkstra演算法、A*演算法、SPFA演算法、Bellman-Ford演算法和Floyd-Warshall演算法，本文主要介紹其中的三種。

最短路徑問題是圖論研究中的一個經典演算法問題，旨在尋找圖（由結點和路徑組成的）中兩結點之間的最短路徑。
演算法具體的形式包括：

確定起點的最短路徑問題：即已知起始結點，求最短路徑的問題。

確定終點的最短路徑問題：與確定起點的問題相反，該問題是已知終結結點，求最短路徑的問題。在無向圖中該問題與確定起點的問題完全等同，在有向圖中該問題等同於把所有路徑方向反轉的確定起點的問題。
確定起點終點的最短路徑問題：即已知起點和終點，求兩結點之間的最短路徑。

全局最短路徑問題：求圖中所有的最短路徑。
Floyd

求多源、無負權邊的最短路。用矩陣記錄圖。時效性較差，時間復雜度O(V^3)。

Floyd-Warshall演算法（Floyd-Warshall algorithm）是解決任意兩點間的最短路徑的一種演算法，可以正確處理有向圖或負權的最短路徑問題。
Floyd-Warshall演算法的時間復雜度為O(N^3)，空間復雜度為O(N^2)。

Floyd-Warshall的原理是動態規劃：

設Di,j,k為從i到j的只以(1..k)集合中的節點為中間節點的最短路徑的長度。

若最短路徑經過點k，則Di,j,k = Di,k,k-1 + Dk,j,k-1；

若最短路徑不經過點k，則Di,j,k = Di,j,k-1。

因此，Di,j,k = min(Di,k,k-1 + Dk,j,k-1 , Di,j,k-1)。

在實際演算法中，為了節約空間，可以直接在原來空間上進行迭代，這樣空間可降至二維。

Floyd-Warshall演算法的描述如下：

for k ← 1 to n do

for i ← 1 to n do

for j ← 1 to n do

if (Di,k + Dk,j < Di,j) then

Di,j ← Di,k + Dk,j;

其中Di,j表示由點i到點j的代價，當Di,j為 ∞ 表示兩點之間沒有任何連接。

Dijkstra

求單源、無負權的最短路。時效性較好，時間復雜度為O（V*V+E）,可以用優先隊列進行優化，優化後時間復雜度變為0（v*lgn）。
源點可達的話，O（V*lgV+E*lgV）=>O（E*lgV）。

當是稀疏圖的情況時，此時E=V*V/lgV，所以演算法的時間復雜度可為O（V^2） 。可以用優先隊列進行優化，優化後時間復雜度變為0（v*lgn）。
Bellman-Ford

求單源最短路，可以判斷有無負權迴路（若有，則不存在最短路），時效性較好，時間復雜度O（VE）。

Bellman-Ford演算法是求解單源最短路徑問題的一種演算法。

單源點的最短路徑問題是指：給定一個加權有向圖G和源點s，對於圖G中的任意一點v，求從s到v的最短路徑。

與Dijkstra演算法不同的是，在Bellman-Ford演算法中，邊的權值可以為負數。設想從我們可以從圖中找到一個環

路（即從v出發，經過若干個點之後又回到v）且這個環路中所有邊的權值之和為負。那麼通過這個環路，環路中任意兩點的最短路徑就可以無窮小下去。如果不處理這個負環路，程序就會永遠運行下去。 而Bellman-Ford演算法具有分辨這種負環路的能力。
SPFA

是Bellman-Ford的隊列優化，時效性相對好，時間復雜度O（kE）。（k< 與Bellman-ford演算法類似，SPFA演算法採用一系列的鬆弛操作以得到從某一個節點出發到達圖中其它所有節點的最短路徑。所不同的是，SPFA演算法通過維護一個隊列，使得一個節點的當前最短路徑被更新之後沒有必要立刻去更新其他的節點，從而大大減少了重復的操作次數。
SPFA演算法可以用於存在負數邊權的圖，這與dijkstra演算法是不同的。

與Dijkstra演算法與Bellman-ford演算法都不同，SPFA的演算法時間效率是不穩定的，即它對於不同的圖所需要的時間有很大的差別。
在最好情形下，每一個節點都只入隊一次，則演算法實際上變為廣度優先遍歷，其時間復雜度僅為O(E)。另一方面，存在這樣的例子，使得每一個節點都被入隊(V-1)次，此時演算法退化為Bellman-ford演算法，其時間復雜度為O(VE)。
SPFA演算法在負邊權圖上可以完全取代Bellman-ford演算法，另外在稀疏圖中也表現良好。但是在非負邊權圖中，為了避免最壞情況的出現，通常使用效率更加穩定的Dijkstra演算法，以及它的使用堆優化的版本。通常的SPFA。

③ Redis的LRU緩存淘汰演算法實現

LRU， 最近最少使用 （Least Recently Used，LRU），經典緩存演算法。

LRU會使用一個鏈表維護緩存中每個數據的訪問情況，並根據數據的實時訪問，調整數據在鏈表中的位置，然後通過數據在鏈表中的位置，表示數據是最近剛訪問的，還是已有段時間未訪問。

LRU會把鏈頭、尾分別設為MRU端和LRU端：

LRU可分成如下情況：

case2圖解：鏈表長度為5，從鏈表頭部到尾部保存的數據分別是5，33，9，10，8。假設數據9被訪問一次，則9就會被移動到鏈表頭部，同時，數據5和33都要向鏈表尾部移動一位。

所以若嚴格按LRU實現，假設Redis保存的數據較多，還要在代碼中實現：

最終導致降低Redis訪問性能。

所以，無論是為節省內存 or 保持Redis高性能，Redis並未嚴格按LRU基本原理實現，而是 提供了一個近似LRU演算法實現 。

Redis的內存淘汰機制是如何啟用近似LRU演算法的？redis.conf中的如下配置參數：

所以，一旦設定maxmemory選項，且將maxmemory-policy配為allkeys-lru或volatile-lru，近似LRU就被啟用。allkeys-lru和volatile-lru都會使用近似LRU淘汰數據，區別在於：

Redis如何實現近似LRU演算法的呢？

近似LRU演算法仍需區分不同數據的訪問時效性，即Redis需知道數據的最近一次訪問時間。因此，有了LRU時鍾：記錄數據每次訪問的時間戳。

Redis對每個KV對中的V，會使用個redisObject結構體保存指向V的指針。那redisObject除記錄值的指針，還會使用24 bits保存LRU時鍾信息，對應的是lru成員變數。這樣，每個KV對都會把它最近一次被訪問的時間戳，記錄在lru變數。

redisObject定義包含lru成員變數的定義：

每個KV對的LRU時鍾值是如何計算的？Redis Server使用一個實例級別的全局LRU時鍾，每個KV對的LRU time會根據全局LRU時鍾進行設置。

這全局LRU時鍾保存在Redis全局變數server的成員變數 lruclock

當Redis Server啟動後，調用initServerConfig初始化各項參數時，會調用getLRUClock設置lruclock的值：

於是，就得注意， 若一個數據前後兩次訪問的時間間隔 1s，那這兩次訪問的時間戳就是一樣的！ 因為LRU時鍾精度就是1s，它無法區分間隔小於1秒的不同時間戳！

getLRUClock函數將獲得的UNIX時間戳，除以LRU_CLOCK_RESOLUTION後，就得到了以LRU時鍾精度來計算的UNIX時間戳，也就是當前的LRU時鍾值。

getLRUClock會把LRU時鍾值和宏定義LRU_CLOCK_MAX（LRU時鍾能表示的最大值）做與運算。

所以默認情況下，全局LRU時鍾值是以1s為精度計算得UNIX時間戳，且是在initServerConfig中進行的初始化。

那Redis Server運行過程中，全局LRU時鍾值是如何更新的？和Redis Server在事件驅動框架中，定期運行的時間事件所對應的serverCron有關。

serverCron作為時間事件的回調函數，本身會周期性執行，其頻率值由redis.conf的 hz配置項 決定，默認值10，即serverCron函數會每100ms（1s/10 = 100ms）運行一次。serverCron中，全局LRU時鍾值就會按該函數執行頻率，定期調用getLRUClock進行更新：

這樣，每個KV對就能從全局LRU時鍾獲取最新訪問時間戳。

對於每個KV對，它對應的redisObject.lru在哪些函數進行初始化和更新的呢？

對於一個KV對，其LRU時鍾值最初是在這KV對被創建時，進行初始化設置的，這初始化操作在 createObject函數 中調用，當Redis要創建一個KV對，就會調用該函數。

createObject除了會給redisObject分配內存空間，還會根據maxmemory_policy配置，初始化設置redisObject.lru。

LRU_CLOCK返回當前全局LRU時鍾值。因為一個KV對一旦被創建，就相當於有了次訪問，其對應LRU時鍾值就表示了它的訪問時間戳：

那一個KV對的LRU時鍾值又是何時再被更新？

只要一個KV對被訪問，其LRU時鍾值就會被更新！而當一個KV對被訪問時，訪問操作最終都會調用 lookupKey 。

lookupKey會從全局哈希表中查找要訪問的KV對。若該KV對存在，則lookupKey會根據maxmemory_policy的配置值，來更新鍵值對的LRU時鍾值，也就是它的訪問時間戳。

而當maxmemory_policy沒有配置為LFU策略時，lookupKey函數就會調用LRU_CLOCK函數，來獲取當前的全局LRU時鍾值，並將其賦值給鍵值對的redisObject結構體中的lru變數

這樣，每個KV對一旦被訪問，就能獲得最新的訪問時間戳。但你可能好奇：這些訪問時間戳最終是如何被用於近似LRU演算法進行數據淘汰的？

Redis之所以實現近似LRU，是為減少內存資源和操作時間上的開銷。

近似LRU主要邏輯在performEvictions。

performEvictions被evictionTimeProc調用，而evictionTimeProc函數又是被processCommand調用。

processCommand，Redis處理每個命令時都會調用：

然後，isSafeToPerformEvictions還會再次根據如下條件判斷是否繼續執行performEvictions：

一旦performEvictions被調用，且maxmemory-policy被設置為allkeys-lru或volatile-lru，近似LRU就被觸發執行了。

執行可分成如下步驟：

調用getMaxmemoryState評估當前內存使用情況，判斷當前Redis Server使用內存容量是否超過maxmemory配置值。

若未超過maxmemory ，則返回C_OK，performEvictions也會直接返回。

getMaxmemoryState評估當前內存使用情況的時候，若發現已用內存超出maxmemory，會計算需釋放的內存量。這個釋放內存大小=已使用內存量-maxmemory。

但已使用內存量並不包括用於主從復制的復制緩沖區大小，這是getMaxmemoryState通過調用freeMemoryGetNotCountedMemory計算的。

而若當前Server使用的內存量超出maxmemory上限 ，則performEvictions會執行while循環淘汰數據釋放內存。

為淘汰數據，Redis定義數組EvictionPoolLRU，保存待淘汰的候選KV對，元素類型是evictionPoolEntry結構體，保存了待淘汰KV對的空閑時間idle、對應K等信息：

這樣，Redis Server在執行initSever進行初始化時，會調用evictionPoolAlloc為EvictionPoolLRU數組分配內存空間，該數組大小由EVPOOL_SIZE決定，默認可保存16個待淘汰的候選KV對。

performEvictions在淘汰數據的循環流程中，就會更新這個待淘汰的候選KV對集合，即EvictionPoolLRU數組。

performEvictions調用evictionPoolPopulate，其會先調用dictGetSomeKeys，從待采樣哈希表隨機獲取一定數量K：

於是，dictGetSomeKeys返回採樣的KV對集合。evictionPoolPopulate根據實際采樣到的KV對數量count，執行循環：調用estimateObjectIdleTime計算在采樣集合中的每一個KV對的空閑時間：

接著，evictionPoolPopulate遍歷待淘汰的候選KV對集合，即EvictionPoolLRU數組，嘗試把采樣的每個KV對插入EvictionPoolLRU數組，取決於如下條件之一：

有一成立，evictionPoolPopulate就能把采樣KV對插入EvictionPoolLRU數組。等所有采樣鍵值對都處理完後，evictionPoolPopulate函數就完成對待淘汰候選鍵值對集合的更新了。

接下來，performEvictions開始選擇最終被淘汰的KV對。

因evictionPoolPopulate已更新EvictionPoolLRU數組，且該數組里的K，是按空閑時間從小到大排好序了。所以，performEvictions遍歷一次EvictionPoolLRU數組，從數組的最後一個K開始選擇，若選到的K非空，就把它作為最終淘汰的K。

該過程執行邏輯：

一旦選到被淘汰的K，performEvictions就會根據Redis server的惰性刪除配置，執行同步刪除或非同步刪除：

至此，performEvictions就淘汰了一個K。若此時釋放的內存空間還不夠，即沒有達到待釋放空間，則performEvictions還會 重復執行 前面所說的更新待淘汰候選KV對集合、選擇最終淘汰K的過程，直到滿足待釋放空間的大小要求。

performEvictions流程：

近似LRU演算法並未使用耗時且耗空間的鏈表，而使用 固定大小的待淘汰數據集合 ，每次隨機選擇一些K加入待淘汰數據集合。

最後，按待淘汰集合中K的空閑時間長度，刪除空閑時間最長的K。

根據LRU演算法的基本原理，發現若嚴格按基本原理實現LRU演算法，則開發的系統就需要額外內存空間保存LRU鏈表，系統運行時也會受到LRU鏈表操作的開銷影響。

而Redis的內存資源和性能都很重要，所以Redis實現近似LRU演算法：

一個演算法的基本原理和演算法的實際執行，在系統開發中會有一定折中，需綜合考慮所開發的系統，在資源和性能方面的要求，以避免嚴格按照演算法實現帶來的資源和性能開銷。

④ 搜索引擎對關鍵字的排序涉及到的因素有哪些

主要原因:

1、網站與搜索關鍵詞的相關性

網站的主題和關鍵詞匹配是非常重要的，網站主題和內容保持一致性也是這個道理，而且如果站點跨領域去發布導流內容，會被搜索識別，被判罰的例子也不少。而且，如果用戶搜索的關鍵詞與你網站是相關的，用戶在網站內的轉化點擊也會高。

2、內容和搜索關鍵詞相關性

目前網路及其他搜索引擎都越來越重視了內容生態的維護，讓更多的原創作者獲得更多收益，內容主題跟搜索關鍵詞的相關性越高，獲得排序有待的機會也越大。簡單說如果網站內容足夠豐富，能滿足搜索用戶的所有需求，那麼一般這樣的內容，展現和點擊一定不會差到哪裡去。

3、時效性

類似於新聞等具備時效性的內容，越快發現熱點，且內容能夠被搜索引擎發現，那麼在流量上相信你也可以獲得到更多。

4、網站訪問速度

網站的訪問速度一定要特別重視，網路前段時間推出了閃電演算法就是針對訪問速度的，特別是移動端訪問速度差的站點影響特別大，另外網路搜索資源平台上推出了移動搜索建站優化白皮書，大家可以多學習一下，按照規則來。

5、網站評價

網站評價也可以說是網站的權威性，站長圈說的權重，是根據網站的規模、歷史表現、站點關系網等多個維度進行的一個綜合評定，對於我們來說一時半會是肯定無法提高網站評價的，只能夠努力做好內容做好用戶體驗，等度娘或其他搜索引擎給予加權。

6、網站內外鏈

雖然隨著搜索引擎演算法的不斷更新，網站內外鏈接的影響越來越小，但是網站合理的內鏈還是必不可少的，因為合理的內鏈有利於搜索引擎蜘蛛爬行網站，提高網站被收錄的幾率。

7、代碼優化

title、keywords、description能夠幫助搜索引擎快速了解網站內容，將關鍵詞合理布局在其中能夠對關鍵詞排名起到莫大的幫助。此外，標簽對強調網頁主體內容有很大幫助。一般情況下網頁logo圖的alt屬性可以使用標簽進行強調，頁面的導航或重要的欄目標題也用標簽進行強調。

8、從左到右按重要區分部署關鍵詞

用戶無論是看標題還是閱讀文章都是從左到右，搜索引擎也一樣，標題權重是從左到右慢慢分散的，所以我們在部署關鍵詞的時候盡量把重要的關鍵詞放在左邊依後順序。

其他原因

一：人為的優化操作行為造成

二：黑客入侵

三：網站伺服器的穩定性

四：搜索引擎演算法更新

望採納

⑤ 分類和聚類的區別及各自的常見演算法

1、分類和聚類的區別：
Classification (分類)，對於一個classifier，通常需要你告訴它「這個東西被分為某某類」這樣一些例子，理想情況下，一個 classifier 會從它得到的訓練集中進行「學習」，從而具備對未知數據進行分類的能力，這種提供訓練數據的過程通常叫做supervised learning (監督學習)，
Clustering (聚類)，簡單地說就是把相似的東西分到一組，聚類的時候，我們並不關心某一類是什麼，我們需要實現的目標只是把相似的東西聚到一起。因此，一個聚類演算法通常只需要知道如何計算相似度就可以開始工作了，因此 clustering 通常並不需要使用訓練數據進行學習，這在Machine Learning中被稱作unsupervised learning (無監督學習).
2、常見的分類與聚類演算法
所謂分類，簡單來說，就是根據文本的特徵或屬性，劃分到已有的類別中。如在自然語言處理NLP中，我們經常提到的文本分類便就是一個分類問題，一般的模式分類方法都可用於文本分類研究。常用的分類演算法包括：決策樹分類法，樸素貝葉斯分類演算法(native Bayesian classifier)、基於支持向量機(SVM)的分類器，神經網路法，k-最近鄰法(k-nearestneighbor，kNN)，模糊分類法等等。
分類作為一種監督學習方法，要求必須事先明確知道各個類別的信息，並且斷言所有待分類項都有一個類別與之對應。但是很多時候上述條件得不到滿足，尤其是在處理海量數據的時候，如果通過預處理使得數據滿足分類演算法的要求，則代價非常大，這時候可以考慮使用聚類演算法。
而K均值(K-mensclustering)聚類則是最典型的聚類演算法(當然，除此之外，還有很多諸如屬於劃分法K中心點（K-MEDOIDS）演算法、CLARANS演算法；屬於層次法的BIRCH演算法、CURE演算法、CHAMELEON演算法等；基於密度的方法：DBSCAN演算法、OPTICS演算法、DENCLUE演算法等；基於網格的方法：STING演算法、CLIQUE演算法、WAVE-CLUSTER演算法；基於模型的方法)。

⑥ erp系統為使得財務數據的時效性和准確度大大提高，通過什麼來實現

erp系統為使得財務數據的時效性和准確度大大提高，通過核心演算法來實現的。

ERP系統實際應用中更重要的是應該體現其「管理工具」的本質。ERP系統主要宗旨是對企業所擁有的人、財、物、信息、時間和空間等綜合資源進行綜合平衡和優化管理，ERP軟體協調企業各管理部門，ERP系統圍繞市場導向開展業務活動，提高企業的核心競爭力，ERP軟體從而取得最好的經濟效益。

有相關需求的可以咨詢管易雲。管易雲是金蝶集團旗下專注提供企業電商管理雲服務的子品牌，服務超過110000家品牌企業客戶。目前擁有：蒼穹電商雲、B2C電商雲、電商ERP、訂單管理系統、倉儲管理系統、前端商城建站等SaaS軟體產品及服務，適用於全行業多場景，涵蓋電商業務全流程。

⑦ 在職員工要求賠償雙倍工資有時效性的限制么

在職員工主張未簽合同二倍工資在全國大部分省市有時效性。
根據《勞動合同法》第八十二條、《勞動合同法實施條例》第六條、第七條規定，用人單位用工滿一個月未簽合同的，應當從滿一個月的次日起，向勞動者支付二倍工資。未簽合同用工滿一個月不滿一年的，從滿一個月的次日起支付二倍工資至補訂書面勞動合同的前一日止；未簽合同用工滿一年的，視為已經訂立無固定期限勞動合同，應當立即補辦手續，並從滿一個月的次日起支付二倍工資至滿一年的前一日止，共11個月。
根據《勞動爭議仲裁調解法》第二十七條規定，勞動爭議仲裁的時效為一年，從當事人知道或者應當知道其權利被侵害之日起計算。
對於二倍工資時效起算，各地規定不同，大致有以下四種起演算法：
一、以北京、上海、廣東、江西等省市適用「逐月起演算法」，「從未簽訂書面勞動合同的第二個月起按月分別計算仲裁時效」；
二、山東、重慶等省市採用「期滿起演算法」，「仲裁時效期間從最後履行期限屆滿之日起算」；
三、江蘇、黑龍江採用「違法行為終止和期滿起演算法」，即未簽合同不滿一年的從用人單位不簽訂書面勞動合同的違法行為結束之次日開始計算，用工未簽合同滿一年的申請仲裁的時效從一年屆滿之次日起計算；
四、湖北等少數省市採用「勞動關系終止起演算法」，「雙倍工資的申請仲裁時效自勞動關系終止之日起算，期間為一年」。

⑧ 關於演算法

阿朱對於演算法的了解不多，總結如下，希望多多交流，改正瑕疵。

演算法推薦主要有5種方式：

基於內容推薦：這是基於用戶個人興趣的推薦。根據用戶個體的歷史行為，計算對內容特徵的偏好程度，進而推薦出與用戶特徵偏好匹配的內容。

協同過濾演算法：這是基於群體的推薦。基於用戶的相似度、內容的共現度，以及基於人口特徵將用戶聚集為不同群體來推薦。（解釋一下：常見的協同過濾演算法有兩種，一種是基於用戶的（user-based），也即計算用戶之間的相似性，如果A和B的興趣相近，那麼A喜歡的電影，B也很有可能喜歡。另一種是基於物品的（item-based），也即計算物品之間的相似性，如果電影C和電影D很相似，那麼喜歡電影C的人，可能也會喜歡電影D。）

擴展推薦：基於用戶興趣點、內容類別等擴展。（你喜歡歷史資訊，我推考古、尋寶的資訊給你）

新熱推薦：基於全局內容的時效性、熱度推薦。（在產品初期同時缺乏用戶數據和內容數據時，內容分發效率很低。使用基於內容推薦演算法效果不顯著，而使用一些熱點話題可在保證一定流量的同時，不斷通過用戶的個人行為（點贊、評論、瀏覽、收藏）來逐步精確用戶畫像和進行內容沉澱，為之後的個性化推薦做准備）。

環境特徵：基於地域、時間、場景等推薦。（知乎上你們市的牙科診所廣告、婚慶廣告）

每種演算法的效果不一，組合味道更佳，因此很多公司都是採用「演算法矩陣」的方式來推薦feed。（後文也會談到這一點）

優勢:

內容質量審核、社區治理（辱罵、撕逼），推薦商品，減少人工運營成本。

源源不斷推薦給你感興趣的feed，提升了用戶粘性，商業化的潛力進一步加大。

讓用戶 kill time 的需求更好地被滿足，增強用戶體驗

弊端：

1.演算法本身或者演算法背後的人產生技術錯誤——只要是人寫的演算法，就一定有出錯的概率，比如德國居民凌晨發飆的智能音箱、失控的Uber自動駕駛汽車就是程序上的Bug導致的，這一類我們克服的辦法其實相對簡單。但對於另一種人為算計消費者的演算法有時候可能我們就無能為力了，比如大數據殺熟現象，無論真實與否，這類問題往往很難識別，因此也加大了監管的難度；（抖音視頻里你見不到「錢」字，只能看到「Q」來代替）

2.演算法對於人性部分的忽略——現在的人工智慧離真正理解人類的感情和行為依然有巨大的鴻溝，Facebook提醒你給去世的親人發生日祝福背後本質的原因在於AI無法真正理解死亡對於人類意味著什麼；因此需要人機結合（平台人工參與，用戶舉報等自治措施），不能單獨依靠演算法。

3.演算法訓練數據本身的偏見——目前人工智慧的基本邏輯是先構建一個合適的機器學習模型，然後用大量的數據去訓練模型，然後用訓練好的模型再來預測新的數據，這里邊有一個非常重要前提就是輸入數據的重要性，比如變壞的微軟機器人Tay之所以產生問題就是因為輸入的數據中本身就存在偏見，如果現實世界數據本身就存在偏見，那麼預測結果也一定會有偏見；

先下結論吧：演算法不會導致「信息繭房」

「社交媒體和演算法推薦導致信息繭房」這一判斷成立的一個重要前提是：我們只會點擊那些我們熟悉的、贊同的內容，不斷讓機器加深對我們的印象：原來他們只喜歡看這些！

但在現實中，這個前提是過於簡化的，乃至是錯誤的。

在個體層面，我們有著多樣的閱讀動機，受到各種認知偏見的影響，可能傾向於點擊某些特定類型的內容，但絕不僅僅局限於自己認同的那些。

在社交層面：我們在大多數APP上都存在著社交關系，以及主動選擇關注的帳號，這些都對我們能接觸到的內容產生重要影響。一個在APP上擁有一定社交關系的人，不太可能陷入狹窄的視野當中。

在技術層面：在演算法的分類里說了，每種演算法都有其利弊，因此很多公司都是採用「演算法矩陣」的方式來推薦feed。但在普羅大眾眼裡，演算法=基於內容的推薦演算法，而忽略了「基於內容的推薦演算法」只是演算法種類里的一種，其他類型演算法也會被產品使用。

在企業層面：沒有一個商場的經理，希望顧客每一次來到商場都只關注同一類別的商品。用戶興趣窄化對於商業化目標並不是一個好的選擇。

博弈：

推薦太強了，關注力量就會弱。抖音沉浸式交互和基於內容的演算法推薦是 kill time 的利器，推薦feed刷的過癮了，你還會去刷關注feed嗎？

共生：

演算法有弊端，關注可以彌補或有所增益。推薦feed是忽略了人"社交性「這個特點，以知乎為例，關注的內容生產者傳遞給我們價值，所以我們需要一個途徑來知道那幾十個或上百的關注對象的產出內容。朋友圈滿足我們窺探的信息需求，也同理。（另外從結果反推過程，大家看一下手裡的B站、知乎、抖音、快手就清楚了）

⑨ 演算法是什麼新媒體演算法和演算法有區別嗎

演算法是一種用於解決特定問題的概念上的解決方案。它通常由一系列有序的指令、步驟或操作來完成一個特定的任務。演算法是計算機科學中非常重要的概念，它能夠幫助計算機快速、准確地解決復雜的問題。
新媒體演算法是指在新媒體環境下使用的演算法。新媒體演算法通常用於處理和分析大量的數據、信息和內容，以支持新媒體業務的發展和運營。例如，新媒體演算法可以用來提取文本、圖像和視頻中的信息，為用戶提供個性化的推薦、搜索等服務。
新媒體演算法與一般的演算法有所區別。新媒體演算法通常需要考慮更多的因素，如用戶的行為、偏好、環境等。它也可能需要應對更多的變數和不確定性，如數據的及時性、准確性和完整性等。因此，新媒體演算法的設計和實現可能更加復雜和挑戰性。

⑩ 提高課堂教學時效性的幾點做法

課堂教學的過程從本質上來講就是學生學習的過程,學生作為學習過程的主體毫無疑義的也是課堂教學的主體,其主體意義體現在對信息的接收和加工,對客觀規律的認識和把握,對自我認知結構的不斷完善和建構。而傳統的課堂教學是以教師為中心，牽著學生走。素質教育要面向全體學生，充分發揮學生的主體作用，讓學生主動發展。因此課堂教學中落實好學生的主體地位,是進行課堂教學改革的出發點、依據和歸宿；是教學過程中實施素質教育的核心要求；是踐行新課程理念的重要標志；也是評價一節課好壞的重要而又根本的標准。
如何提高課堂教學的有效性，我想應該從以下幾點做起：
一、重視情境創設的有效性
創設數學學習的良好情境，教育界已進行廣泛的討論，並已形成了一定的理論認識與實踐經驗。新教材最大的特點之一就是許多知識的引入和問題的提出、解決都是在一定的情景中展開的，因此，精心創設情境是提高數學有效性的一項重要教學策略。
實現情境創設的有效性，應注意以下幾點：
1、情境創設應目的明確
情境的創設，要有利於學生數學學習，有利於促進學生認知技能、數學思考、情感態度、價值觀等方面的發展。如果是問題情境，教師提出的問題則要具體、明確，有新意和啟發性，不能籠統地提出諸如「你發現了什麼」等問題。
2、情境的內容和形式應根據學生的生活經驗與年齡特徵進行設計
教學情境的形式有很多，如問題情境、故事情境、活動情境、實驗情境、競爭情境等。情境的創設要遵循不同年齡兒童的心理特徵和認知規律，要根據學生的實際生活經驗而設計。對低、中高年級的兒童，可以通過講故事、做游戲、直觀演示等形式創設情境，而對於高年級的學生，則要創設有助於學生自主學習、合作交流的問題情境，用數學本身的魅力去吸引學生。
二、重視學習過程的有效性
課堂教學的核心是調動全體學生主動參與到學習的全過程，使學生自主地學習、和諧地發展。因此，數學課堂教學必須由始至終地引導學生積極地參與到數學學習的全過程，做學習的主人。
1、激發興趣，產生參與動機
俄國教育家烏申斯基說過：「沒有任何興趣，被迫地進行學習會扼殺學生掌握知識的意願。」尤其是低年級兒童，年齡小，有意注意時間短，持久性差，往往影響到課堂學習效果。如在教學《求未知數》時，我創設了「猜撲克牌」的游戲情境，第一次，我手拿兩張撲克牌，讓學生猜猜兩張牌分別是幾?學生興趣很高，紛紛舉手告訴老師他心中的答案。第二次，我告訴他們這兩張牌的和是9，這下，舉手的學生更多了，而且答案也更加的統一，出現了以下4種情況，A(代表1)與8，2與7，3與6，4與5。第三次，我告訴他們其中的一張牌為2，這時，幾乎是全班的小朋友都舉手了，而且喊出了答案7。這個情境的設計，不但了解了學生，把握了教學起點，而且激發了學生的學習興趣，讓學生帶著興趣參與學習。
2、適時點撥，指導參與方法
如教學《筆算一位數乘兩位數》，當學生探究出豎式計算的「原始」演算法之後我沒有直接引出簡便演算法，而是讓學生利用探究出的方法去解決問題，接著再加以適時引導：「通過計算你發現什麼」，「你覺得這樣寫怎麼樣」，「要是能簡單一些就好了」，通過一個一個的設問、談話，一步步把學生的思維引向目標：原始演算法「煩」，需要「簡化」。這時再通過動畫演示「出繁到簡」，使學生對簡便寫法的印象深刻。教師有效的引導，能確保學生探究活動的質量，使學生的探究活動更有意義，更為有效。
三、重視學習方式的有效性
一直以來，學生學習數學主要以接受學習為主，這樣學習的結果是學生的計算能力、解題能力特別強，而學生提出問題分析問題解決問題的能力、實踐能力、創新能力卻沒有得到培養。為此，《數學課程標准》提出了「動手實踐、自主探求與合作交流是學生學習數學的重要方式。」我們要根據不同的教學內容，引導學生運用不同的學習方式，實現有效學習。
1、不排斥接受學習
數學作為一門基礎性的科學，有其特有的結構性特點，有些知識是統一規定的，而不是學生通過探究活動能輕易找到答案的。也就是說，這些知識的學習還應以接受學習為主，需要教師的講解或教師指導下的學習獲得，而無探究的必要。如：面積單位1平方厘米、1平方分米、1平方米的規定，四則運算順序的規定，等等。
2、重視探究學習
「探究」作為新課程強調的三大學習方式之一，因具有其激發學生自主學習、體驗、發現等優點，已逐漸為廣大教師所接受並在教學中運用，如「教學「量長量」時，主要是指導學生動手操作。為了巧妙地引出測量工具「直尺」，我先讓學生選擇身邊的工具量一量書桌有多長。有的用課本量，有的用鉛筆量，還的竟拔掉一根頭發量，就在這「熱熱鬧鬧」的測量操作中，學生得出結果也不一樣，對問題疑惑不解；同樣的桌子，為什麼測量後長度不一樣呢?學生通過小組討論後，意識到操作時要統一測量工具。在重視探究學習的同時，我們也應該注意