响应企业网站

Rankingis 各种应用程序如信息检索、 自然语言处理、 计算生物学和社会科学中的重要问题。对排名对象根据 theirdegrees 的相关性和重要性，提出了许多的排名方法。超出这两个目标，多样性具有推公认的排名的一个重要标准。排名结果将传达尽可能少的冗余信息成为可能，并涵盖尽可能多方面。然而，现有的排名方法采取懒汉的多样性，或者单独处理一些启发式算法。本文介绍了一种新的方法，流形排名汇点 （MRSPs），以解决多样性以及关联和在排名中的重要性。具体来说，我们的方法使用一个流形，排名在 datamanifold，可以自然地找到最相关和最重要的数据对象的过程。与此同时，转动到汇点在 datamanifold 上排名对象，我们可以有效地防止多余物体接收 highrank。MRSP 不仅显示了很好的收敛性，而且也有一个有趣和令人满意的最优化解释。我们应用 MRSP twoapplication 任务、 更新总结和查询的建议，wherediversity 在排名中的极大关注。在这两个 taskspresent 相比，现有 rankingapproaches MRSP 表现强劲实证上的实验结果。

个人信息管理系统，删除、更新、添加好友，添加备忘，上传下载东西等一些功能，直接可以使用

这个示例是我学习Spring和Hibernate时所作的一个练习，功能比较简单，但是能比较全面的反映Struts+Spring+Hibernate的思想及一般开发步骤，现在整理出来与大家分享，本文适合Spring与Hibernate的初级及中级开发人员阅读。本文假设读者具有Struts，Spring和Hibernate的基础知识，不再讲述三个框架的原理和基础知识，重点在于引导读者进行一次Struts，Spring和Hibernate的集成开发之旅，亲身体验其魅力。

这是一个程序，与其他人协作 比你很多 会做对 java 和 c 锋利

该简单项目给出了如何利用Java语句操作数据库MySQL的基本语句 包含有初始化部分，数据库链接部分 public class ConnMysql { private static final String DBDRIVER="com.mysql.jdbc.Driver"; private static final String DBURL="jdbc:mysql://localhost:3306/mldn"; private static final String DBUSER="root"; private static final String DBPASS="root"; public static void main(String []args) throws Exception{    Class.forName(DBDRIVER); 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

资源描述  本系统采用了当下最流行的技术路线进行开发，基于B/S结构，采用S.S.H框架。开发环境主要使用的是著名的JAVA集成开发环境MyEclipse,采用了大中型企业常用的开源数据库MySQL，使用JSP技术开发前台界面，JAVA语言进行后台业务处理。该系统界面简单、操作方便，容易维护。

资源描述 免费欢迎共享，欢迎下载，你的下载就是对我最大的支持，Java源码，SSH框架，线程技术各种成熟学习 。免费欢迎共享，欢迎下载，你的下载就是对我最大的支持，Java源码，SSH框架，线程技术各种成熟学习

灰色预测是一种对含有不确定因素的系统进行预测的方法。灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。本程序运行需要依赖common-math包

使用java开发语言 主要功能 能两人聊天 也可以多人聊天  也可以实现一对多聊天，里面也有表情来表示人聊天的时候的情趣，这是在java evelepment 环境下开发的 可以作为课程设计来用  直接可运行 

资源描述TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与资讯探勘的常用加权技术, TFIDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。TFIDF实际上是：TF * IDF，TF词频(Term Frequency)，IDF反文档频率(Inverse Document Frequency)。TF表示词条在文档d中出现的频率。IDF的主要思想是：如果包含词条t的文档越少，也就是n越小，IDF越大，则说明词条t具有很好的类别区分能力。如果某一类文档C中包含词条t的文档数为m，而其它类包含t的文档总数为k，显然所有包含t的文档数n=m + k，当m大的时候，n也大，按照IDF公式得到的IDF的值会小，就说明该词条t类别区分能力不强。但是实际上，如果一个词条在一个类的文档中频繁出现，则说明该词条能够很好代表这个类的文本的特征，这样的词条应该给它们赋予较高的权重，并选来作为该类文本的特征词以区别与其它类文档。这就是IDF的不足之处。这里采用了外部插件IKAnalyzer-2012.jar，用其进行分词，插件和测试文件可以从这里下载