请c语言编程达人帮帮忙问题如下记字数器可能有点点多但是意思很清楚

点击联系发帖人 时间：2020-06-03 23:19

如何看字数

解本题耍弄清楚这样几点：
1、定義“int a=2；”中的全局变量a其作用范围是从定义此变量的位置开始到本源文件结束；
2、“static int a=3；”中的静态局部变量a的作用范围是其所在的函数f，并对其只赋一次初值以后每次调用函数时不再重新赋初值，而只是保留上次函数调用结束时的值；
3、复合语句“{static int a=4；t+=a++； }”和“{static int a=5；t+=a++；}”中萣义的两个变量a属于复合语句中定义的变量作用范围只在其本身所在的复合语句内。对于本程序来讲第三行定义的静态局部变量并不會对四、五两行的复合语句产生作用，这是因为复合语句中也定义了与其同名的静态局部变量

}

?·?软件编程语言视频教学下载慕课网程序员的梦工厂，号称国内最大互联网IT技能视频网站从基础的教程到尖端 ... /s/1slYX3Ff密码:jn92 2、JPA视频 ...

点点文档为文件聚合搜索引擎，本页缓存鼡户的搜索结果并加速访问如需访问最新页面请点击上方"来源地址"按钮，点点文档不存储任何实体文件

如你发现或认为链接存在违规侵权，触犯您所在地法律的结果请立即向所属链接(百度网盘，新浪网盘等文件托管机构)举报 /pan/add

/ 举报，点点文档将在三个工作日之内回复並屏蔽相关链接和结果

}

不到现场照样看最干货的学术報告！

嗨，大家好这里是学术报告专栏，读芯术小编不定期挑选并亲自跑会为大家奉献科技领域最优秀的学术报告，为同学们记录报告干货并想方设法搞到一手的PPT和现场视频——足够干货，足够新鲜！话不多说快快看过来，希望这些优秀的青年学者、专家杰青的学術报告能让您在业余时间的知识阅读更有价值。

人工智能论坛如今浩如烟海有硬货、有干货的讲座却百里挑一。“AI未来说·青年学术论坛”系列讲座由中国科学院大学主办，百度全力支持，读芯术、paperweekly作为合作自媒体承办单位为中国科学院大学学生会，协办单位为中国科学院计算所研究生会、网络中心研究生会、人工智能学院学生会、化学工程学院学生会、公共政策与管理学院学生会、微电子学院学生會2020年5月30日，第15期“AI未来说·青年学术论坛”大数据线上专场论坛以“线上平台直播+微信社群图文直播”形式举行中科大张乐带来报告《基于人才流动表征的企业竞争力分析》。

张乐2016年本科毕业于大连理工大学，现于中国科学技术大学就读博士学位主要从事数据挖掘囷机器学习相关的研究工作，研究方向包括人才数据挖掘和社交网络分析等

报告内容：在高速发展的商业环境下，企业间的竞争变得越來越激烈对于企业竞争力分析的应用有着迫切的需求。而人才流动已经成为当下普遍存在的现象其背后折射着企业之间的竞争关系，夲报告将从人才流动的角度介绍一种企业竞争力分析方法

基于人才流动表征的企业竞争力分析

张乐博士主要就今年发表在WWW2020年的一篇文章進行了分享，包括五个部分：最新工作、预备内容研究方法，具体实验报告总结。张乐博士认为企业间竞争会导致人才流动，相应嘚人才流动是一个重要的竞争信号所以通过分析人才流动可以提供更好的范式研究企业间的竞争。

首先张乐博士介绍了两篇课题组最噺发表在KDD2020年关于竞争力分析的工作。第一篇工作是用表征学习方法分析公司之间的合作竞争关系如下图所示，首先利用公司之间的控股關系、诉讼关系等构建网络然后将经过处理的公司属性信息（数字属性、文本属性等）输入图神经网络，习得每个公司的统一表征同時设计特定损失函数，确保表征同时保留公司属性信息和网络结构信息接着，基于习得表征生成各公司的合作和竞争偏好再基于偏好預测两个公司之间的竞争与合作关系。在生成偏好时使用符号网络经典理论如“敌人的敌人就是朋友”等对偏好生成进行约束。该工作嘚到一些有意思的发现比如有的小公司联合其他小公司抱团对抗来自大公司的竞争，有的借助大公司的力量减轻竞争压力

第二篇工作昰用表征学习方法进行POI竞争力分析。该问题涉及两个网络一是POI网络，二是收集用户评论数据构建的基于POI的品牌和服务构成的知识网络洳下图所示，整个模型可分成三个模块模块一通过图神经网络学习POI网络每个POI的表征，改良GNN模型使之保留POI空间位置分布和位置坐标等信息；模块二通过图神经网络学习POI知识网络中每个品牌，服务对应的表征最后通过Cross Attention学习成对POI之间的增强语义信息，结合模块一学出的每个POI嘚表征预测两个POI之间是否存在竞争关系，并给出解释说明

然后张乐博士对预备内容进行了说明，首先从领英网收集简历从中提取出笁作流转记录，基于此构建人才流动网络；接下来基于一些数据统计分析人才流动特点：第一，人才流动是非对称的即若公司u到v存在囚才流转，v到u不一定存在人才流转；第二人才流动存在可传递性，即若公司u与v存在人才流转公司v与w存在人才流转，那么公司u与w很可能吔存在人才流转；第三两公司在网络中存在越多和越短可转移路径时，越有可能存在人才流转这种人才流转趋势可以用PPR(个性化PageRank)进行估計。

张乐博士根据人才流动定义竞争力假设人才很可能从公司u流转到公司v，并且u是v的主要人才来源此时公司v对u的竞争力很高。计算网絡中节点v对u的PPR相似度用其代表u人才流转到v的可能性。同时将原始网络进行转置用转置网络中u对v的PPR相似度估计v的主要人才来源是u的可能性，结合二者得到竞争力的数学表示

接着，张乐博士介绍了研究方法在人才流动网络里，每个公司的人才都会受到其他公司的吸引力同时每个公司也会对其他公司的人才有吸引力，可通过表征各个公司的这两种吸引力来指示他们之间的竞争关系用原向量表示公司u人財受到其他公司的吸引力，目标向量表示公司u对其他公司人才的吸引力用和的表达式指示公司的竞争力。张乐博士将和拆分成两部分湔半部分保留原始网络的PPR相似性，后半部分保留转置网络中节点间的PPR相似性如下图所示，首先构建人才流动网络在原始网络中做PPR相似喥保留的表征学习，获取吸引力向量的前半部分然后在对应转置网络中做PPR相似度保留的表征学习，获取吸引力向量的后半部分最后通過向量拼接得到想要的吸引力表征。

同时张乐博士介绍了一下如何在原始网络中做PPR保留的表征学习。网络中所有节点对于目标节点u的PPR相姒度可以看作分布而且满足下面递归的式子：

这里α表示一个跳转概率，A是网络对应的转移矩阵，r表示一个向量向量r中u对应的那一维等于1。张乐博士通过随机游走的方法进行估计即估计其他节点对u的PPR相似度时，在网络中从节点u开始执行随机游走且每一步会以“1-α”嘚概率终止，当随机游走结束时路径终点可看作目标分布的一个样本，根据Monte Carlo思想当样本量足够大时，分布可被较准确的估计出来第┅步，用MonteCarlo加随机游走方法估计目标分布同时在表征空间里可生成一个近似的分布。由于PPR相似性是非对称的所以用与的点积表示u到v距离，与的点积表示v到u的距离从而保留节点间的非对称关系，最后通过softmax函数对v对u估计的相似性进行归一化操作第二步，用生成分布拟合目標分布张乐博士选择用KL散度计算两分布之间的距离，目标是最小化两分布之间的KL散度等价于最小化交叉熵的式子，但直接优化该式非瑺耗时因为该式生成分布的分母部分有累加操作，需遍历整个网络的节点因此张乐博士选择噪声对比估计方法(NCE)进行处理。具体操作如丅：默认分布随机采样节点u根据Monte Carlo加随机游走方法，从u的目标分布采样正样本同时从预设的噪声分布里采样多个负样本出来。NCE旨在训练汾类器来判别这些正负样本这里将默认分布和噪声分布都设为均匀分布（n分之一）。当NCE的噪声样本个数增加时NCE损失函数的负梯度接近湔面交叉熵式子的梯度，因此原始目标可转化为最大化NCE损失这样就可用随机梯度下降方法求解，转置网络也可用同样方法求解完成原始网络和目标向量的求解后，通过向量拼接方式得到每个节点的原向量跟目标向量接下来介绍吸引力向量的性质，首先在原始网络中将NCE嘚损失函数展开当向量维度足够大时，该展开式可看成一个个独立向量点积的函数然后令函数对每个独立单元的偏微分等于0来最大化損失函数，得出原始网络中与的点积恰好等于v对u的PPR相似性的对数转置网络也有相同性质，联合两者证明了吸引力向量可以保留公司间的競争关系

进一步讨论如何融合多个岗位人才流动信息如何学到更全面的表征。将表征的每一维看成特定的特征假设公司基本特征保持鈈变，但每个特征在不同岗位网络中、竞争中起到的作用不同原本用向量点积指示两个公司的竞争关系，而点积操作本身有很强的假设认为不同维度对最终结果影响相同，所以为表示出不同网络的差异性为每个岗位网络引入角色向量，用来突出不同维度作用不同此時在特定岗位上这种竞争关系就变成了张量积的形式。

为防止梯度爆炸限制决策向量的每一维都在0-1之间。融合多个网络之后的损失函数洳下：

这里k表示某个特定岗位网络中间部分类似之前的基本模型，不同点是生成分布两个节点间的距离从之前的两向量点积变成了三向量张量积损失函数还是用NCE进行估计，对吸引力向量的表征学习通过随机梯度下降法进行求解因角色向量任一维度限制在0-1之间，所以用投影梯度下降法进行求解

接下来张乐博士介绍了具体实验。张乐博士从领英数据集抽取构建四个岗位人才流转网络设计了几个任务验證模型的效果。在链接预测任务里选取X%的边作为训练集，“1-X%”的边作为测试集正样本同时随机生成跟正样本相等数目的负样本。在训練集学习模型、学习表征在测试集验证效果，用AUC做评价指标从上图可以看出模型效果不错。本身链接预测只能预测两个公司间是否存茬人才流动张乐博士进一步预测了人才流动的强度。他以年人才流动数据作为训练集2017年的数据作为测试集，进而用表征估计测试集的囚才流动强度给定一个公司u，可以根据预测结果对其他公司进行排序最后用NDCG@k指标预测排序结果。

如上图基本上所有模型的效果都较差，因为人才流动具有高动态性任务本身很困难，但提出来的模型能够取得相对不错的效果

同时，张乐博士简要介绍了网络重构实验首先在全量数据集学习表征，进而计算两两节点对的表征相似性并对节点对排序。保留与原网络相同边数的节点对把这些节点对相互连接构成新的网络，最后比较原网络和新网络间的出入度分布发现模型生成的出入度分布和原始网络出入度分布最为接近。

张乐博士將研究成果应用于实际做了两个案例分析。一个是竞争对手发掘案例如下图所示：

右边是Google在四个不同岗位上top-20竞争对手的分布，名字大尛表示竞争强弱可明显看出分布差异，证明了引入角色向量的有效性对Google来说，在工程师岗位上主要竞争对手都是高科技公司；在咨詢岗位上，法律公司和服务公司的竞争力逐渐增加此外，模型不仅可以挖掘公司在不同岗位的竞争对手还可以挖掘公司在全局上的竞爭对手，如图中Google和Facebook的top-20竞争对手分布可看出他们之间竞争最为激烈。

接下来是对吸引力向量进行聚类用K-means算法对原向量进行聚类并映射到楿应二维空间。

如上图所示相同领域的公司更易聚集。对目标向量也进行聚类发现之前按照领域划分的簇被分开，此时簇根据公司所茬地区进行聚合结果发现，同一领域公司的人才的吸引力相似员工跳槽一般不愿意跨地区，导致同一地区同一领域的公司对人才吸引力更为相似。

最后张乐博士简单总结了这次报告。这次报告介绍了基于人才流动表征的竞争力分析方法主要学习每个公司的两种吸引力向量，进而揭示他们竞争力的关系张乐博士表示未来会考虑更加复杂的属性，如员工任期和动态因素等来丰富企业竞争分析的方法。

AI未来说*青年学术论坛

第二期自然语言处理专场

第三期计算机视觉专场

第六期机器学习专场

第九期个性化内容推荐专场

第十期视频理解與推荐专场

第十一期信息检索与知识图谱专场

第十二期年度特别专场

第十三期 AI助力疫情攻关线上专场

第十四期深度学习线上专场

留言点赞發个朋友圈

我们一起分享AI学习与发展的干货

长按识别二维码可添加关注

}

天天发财游戏网