阿尔法胖哥_个人页

一张图看懂自然语言处理技术框架

如何系统学习知识图谱-胖子哥的实践经验分享

知识图谱实战开发案例剖析（16）-第一个智能对话机器人（附完整源码）

知识图谱实战开发案例剖析（2）

一、前言 这是系列博文《知识图谱实战开发案例剖析》第1部分：知识图谱基础，第2节：知识图谱和人工智智能。该系列内容同时已经录制成视频课程，感兴趣的可以访问网易云课堂。 二、正文 2.1 人工智能的业务架构 人工智能的业务架构 感知能力：听清； 认知能力：听懂； 服务能力：响应； 2.2 人工智能的技术架构 三大层：基础设施层、技术框架层、应用服务层； 2.3 人机对话系统业务模型 三、未完待续  系列内容持续更新，敬请关注。

知识图谱实战开发案例剖析（1）

一、前言   这是系列博文《知识图谱实战开发案例剖析》第1部分：知识图谱基础，第一节：知识图谱完整案例演示。该系列内容同时已经录制成视频课程，感兴趣的可以访问网易云课堂。作者：张子良，版权所有，转载请注明出处。

自己动手开发智能聊天机器人完全指南（附python完整源码）

一、前言 人工智能时代，开发一款自己的智能问答机器人，一方面提升自己的AI能力，另一方面作为转型AI的实战练习。在此把学习过程记录下来，算是自己的笔记。 二、正文 2.1 下载pyaiml 下载pyaiml 2.

2017知识图谱存储系统排名：那些你不知道的知识图谱存储系统

一、前言  知识图谱本质（Knowledge Graph）上是一种叫做语义网络（semantic network）的知识库，即具有有向图结构的一个知识库； 图的结点代表实体（entity）或者概念（concept），而图的边代表实体/概念之间的各种语义关系，比如说两个实体之间的相似关系；知识图谱旨在描述真实世界中存在的各种实体或概念及其关系，一般用三元组表示； 知识图谱的存储，通常采用RDF和图数据的方式，我们接下来看一下当前RDF和图数据系统的排行。

21天实战人工智能系列：人工智能产品经理最佳实践（2）

一、前言 打算面向想从事人工智能产品经理职位的人，写一个系列的专题，对人工智能产品经理做一个全面的介绍，初步计划写21个专题，每天一篇，算是对自己的一种鞭策，每天的任务定性，定量，希望自己能够坚持下来。

21天实战人工智能系列：人工智能产品经理最佳实践（1）

一、前言 打算面向想从事人工智能产品经理职位的人，写一个系列的专题，对人工智能产品经理做一个全面的介绍，初步计划写21个专题，每天一篇，算是对自己的一种鞭策，每天的任务定性，定量，希望自己能够坚持下来。

人工智能：决胜未来之道培训课程大纲

1.1 人工智能的概念定义 1.1 人工智能的概念定义 1.2 人工智能、机器学习和深度学习的关系 1.3 人工智能的两大主要特征 1.4 人工智能的发展简史 1.5 人工智能的生态格局-市场篇 1.

VM环境下Linux虚拟机扩展存储空间操作方法总结

用VMwareware虚拟机安装的 Linux 系统剩余空间不足，造成软件无法正常安装。如果重新装一遍系统就需要重新配置好开发环境和软件的安装配置。 一、空间扩展  （1）打开VMware，选择Edit Virtual mache settings，Utilities下拉框中找到Expand如下图 （2）将磁盘空间扩大到50G，点击Expand即可，随后进入一个较长的Expand过程，完成后这是新的空间已经增加，但linux环境下还不可见。

人工智能技术实践篇：espeak开发环境调试

一、前言 1.espeak版本： espeak-1.48.04-source 2.开发环境：VC+2015 二、正文 2.1 错误提示 LNK1104: cannot open file 'LIBC.

数据产品经理最佳实践-数据战略规划

一、前言 到目前为止，取得这样的成果，我总结了一条经验：就是预先要把事情想清楚，把战略目的、步骤，尤其是出了问题如何应对，一步步一层层都想清楚；要有系统地想，这不是一个人或者董事长来想，而是有一个组织来考虑。

从浏览器市场份额，探究百度在移动互联网时代失败的原因

一、前言     从互联网到移动互联网，谁占据了用户桌面/屏幕，谁就占据了流量入口。个人认为：移动互联网时代的成败其实是浏览器的成败。基于此，作者从不同渠道搜集了2016年全年，各品牌浏览器的市场份额变化趋势数据，与大家共享。

数据产品设计专题（5）- 分布式数据仓库技术架构

一、分布式数据仓库技术架构   二、核心内容解读  （1）分布式数据仓库存储技术：hive+hdfs；  （2）事实计算平台技术框架：spark；  （3）数据挖掘算法技术框架：mllib + sparkR   作者：张子良 出处：http://www.cnblogs.com/hadoopdev 本文版权归作者所有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

数据产品设计专题（4）- 程序化交易业务架构模型

一、程序化交易业务领域模型     二、核心业务内容解读 （1）一个核心业务流程：流量交易流程； （2）二类用户服务客户端；媒体主服务客户端+广告主服务客户端； （3）三类业务平台；需求方平台+流量交易平台+供应方平台； （4）四类参与者角色：用户+媒体主+运营商+广告主；    三、数据运营体...

数据仓库专题（24）-数据仓库架构体系总结

一、数据仓库架构   二、数据主题域设计    三、星型模型设计  四、数仓技术架构   作者：张子良 出处：http://www.cnblogs.com/hadoopdev 本文版权归作者所有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

数据产品设计专题（3）-数据运营方法体系框架

一、数据化运营方法体系： （1）核心理念：        a.横向数据整合-实现跨部门、跨体系、跨公司的数据打通；        b.纵向价值链打通：实现数据信息化（构建元数据管理系统）、信息知识化（构建数据血缘关系和知识分享平台）、知识智慧化（设计领域分析模型）;     （2）指导思想：        a.

R语言之中文分词：实例

一、说明       网上提供的一个例子，做了修改与订正。 二、程序 #调入分词的库 library("rJava") library("Rwordseg") #调入绘制词云的库 library("RColorBrewer") library("wordcloud")         #读入数据(特别注意，read.

R语言之词云：wordcloud&wordcloud2安装及参数说明

一、wordcloud安装说明       install.packages("wordcloud"); 二、wordcloud2安装说明       install.packages("devtools");            devtools::install_github("lchif...

数据产品设计专题（2）- 数据产品设计方法论之框架体系

一、前言        数据产品设计与业务产品设计差异还是比较大的，根据过往的经验，引入5w+1h分析方法，形成数据产品设计思维框架，解决数据产品经理，面相数据产品设计，无从下手的问题。 二、正文 三、解读       3.

数据产品设计专题（1）- 数据产品设计方法论之互联网思维

一、背景        昨天和几个PM探讨一款数据产品的设计，发现很多有趣的地方，记录下来，算是笔记吧。该PM的产品的设计文档示意如下图所示： 该PM设计的设计论述可以归纳为： 1.本产品提供功能1、2、3.

数据仓库专题（23）：总线矩阵的另类应用-Drill Down into a More Detailed Bus Matrix

一、前言 Many of you are already familiar with the data warehouse bus architecture and matrix given their central role in building architected data marts.

数据仓库专题（22）：总线架构和维度建模优势-杂项

一、总线架构 维度建模的数据仓库中，有一个概念叫Bus Architecture，中文一般翻译为“总线架构”。总线架构是Kimball的多维体系结构（MD）中的三个关键性概念之一，另两个是一致性维度（Conformed Dimension）和一致性事实（Conformed Fact）。

数据仓库专题（21）：Kimball总线矩阵说明-官方版

一、前言 Over the years, I have found that a matrix depiction of the data warehouse plan is a pretty good planning tool once you have gathered the bus...

胖子哥的大数据之路（17）：重构-基于商业本质看互联网思维

一、大佬眼中的互联网思维-从一呼百应到烂大街，岁月留声机       如同一千个人眼里有一千个哈姆雷特（There are a thousand Hamlets in a thousand people's eyes）一样，一千个人眼中就有一千种互联网思维。

胖子哥的大数据之路（16）：数据采集标准-我们到底需要什么样的数据？

一、前言       刚刚有一个好友向我咨询数据相关的问题，朋友目前是IT设备生产厂商的人。从好友的描述中，提到对用户特征获取的需求。包括：人的兴趣爱好、关注焦点等，在用户的描述中其实只是直觉性的列决出了几点，然后基于此作相应的后续产品或服务推荐。

android开发实践之1：安装部署环境设置

一、安装包 1.andorid studio； 2.Java sdk； 二、操作步骤 1.安装Java SDK； 2.安装android studio; 3.创建Helloword工程并运行；遇到问题：      三、问题及解决方案 3.

数据仓库专题23-原则！原则！原则！

原则1：吃进肚子里的算你的； 1.野蛮生长阶段：为快不败； 原则2：一切皆过程； 一切都是过程，数据标准化是一个水道渠成的过程，不要拘于细节；昨日之结果，恰是今日之过程，业务驱动，以快速满足数据online为第一目标。

数据仓库专题22-网络用户行为数据采集标准规范设计

一、前言    网络用户行为数据采集的趋势渐成，尤其是移动应用普及的今天，不再只是传统的互联网公司的专宠，传统企业也是趋之若鹜。但是遗憾的却始终没有一个规范标准，全凭企业自发与自愿的到底底线来控制，数据立法尚未见曙光，无德者如支付宝，通讯录、短信已经不能满足他们的窥私欲，改而录音，偷拍种种，无所不用其极。

数据仓库专题20-案例篇：电商领域数据主题域模型设计v0.2(改进意见征集中）

一、电商分类（平台+自营+复合）  （1）平台型电商：淘宝+天猫+百度Mall等；  （2）自营型电商：         2.1 综合型：京东（早期）+当当（早期）；         2.2 垂直型：好像这种类型越来越少了；  （3）复合型电商（平台+自营）：京东+当当+亚马逊等；  二、平台...

胖子哥的大数据之路（15）：互联网企业数据战略运营规划之总决式

一、总决       “天下武功唯快不败”，数据化运营战略在不同的行业、不同的企业之间是不同的，但是亦有其共性，即：快速的数据就绪和响应能力。完美主义者适合生活在保温箱里，唯有实践者才是真英雄。 二、纵向打通：数据价值链         通则不痛，纵向打通的是底层数据到上层业务应用之间的通路。

胖子哥的大数据之路（14）：数据价值链模型

一、模型示意图    二、模型解读       Knowledge is also defined using taxonomy, with levels describing data, information, knowledge and wisdom.

胖子哥的大数据之路（13）：破题，或从数据整合开始

一、前言     这是关于互联网上一篇文章的读后感，原文标题《大数据成变量，BAT入口生态或生变局》。读这篇文章既有醍醐灌顶之顿悟，亦有如履薄冰之恐惧，阿里好强，动作好快。其实，最近一直在思考当代企业信息化架构EA框架的调整，基本的一个思路是数据上提，与业务架构平齐，不再只是作为业务系统的功能支撑，而是自成一片天地，独立运营。

数据仓库专题19-数据建模语言Information Engineering - IE模型（转载）

Information Engineering采用Crow's Foot表示法（也有叫做James Martin表示法的），中文翻译中对使用了Crow's Foot表示法的模型也有笼统的称做鸭掌模型的（关联关系的关联基数中采用到了一个鸭掌形的三叉线来表示）。

数据仓库专题18-数据建模语言IDEF（转载）

１引言 IDEF的含义是集成计算机辅助制造（Integrated　 Computer－AidedManufacturing，ICAM)DEFinition。最初的IDEF方法是在美国空军ICAM项目建立的，最初开 发3种方法:功能建模(IDEF0)、信息建模(IDEF1)、动态建模(IDEF2)...

数据仓库专题（14）-数据仓库建设指导原则：一切以就绪数据为主

一、前言       数据仓库建设往往伴随业务逻辑梳理、数据逻辑梳理     二、说明 作者：张子良 出处：http://www.cnblogs.com/hadoopdev 本文版权归作者所有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。

数据仓库专题（16）-分布式数据仓库实践指南-目录篇

前言：  准备系统化整理一套分布式数据仓库建模实践指南，先把目录列出来吧，算是给自己设计一个目标吧。 第一部分 基础篇 第一章 数据仓库概念与定义 1.1 数据管理体系 1.2 数据仓库概念 1.

数据仓库专题（15）-数据仓库建设基本原则-实践篇（求补充）

数据仓库建设原则第一条：一切为就绪数据让路； 数据仓库建设原则第二条：业务分析和数据分析深浅有度； 数据仓库建设原则第三条：数据价值挖掘切莫求之过急，水到渠才能成； 数据仓库建设原则第四条：团队目标必须一致，可以有异议，但是不可有异声； 数据仓库建设原则第五条：资深行业专家团队系统建设采用自顶向...

数据仓库专题（13）-星型模型中事实表作为维表使用面临的问题和解决方法

一、概述       星型模型设计，经常遇到的问题便是，此业务过程之维度，恰恰是另外一个业务过程的事实。最简单的例子如，产品销售业务活动，以订单为事实，以客户、产品、销售人员等为维度；而产品维度，在产品生产业务过程中则作为事实存在。

程序化交易生态图谱2015年7月版

一、图谱最新版    二、更新说明 广告交易平台：新收录 广点通、及新创公司PMADX视频广告交易平台 DSP (需求方平台）：新收录两家进入中国不久的国际DSP，xAd 和 Sociomantic SSP (供应方平台）：新增 广告家、Adcosystem 和百度SSP Ad Verification (广告验证）: 新收录两家业务开始进入中国的国际公司Sizmek(Peer39)和Forensiq, 以及本土新创公司Bigsec 数据提供和管理：新收录了艾沃互动DMP，比邻弘科DMP，以及国内最准确的公开IP库服务，IPIP.net。

数据仓库专题（12）-数据分类模型

一、数据分类模型    二、数据分类定义 元数据（metadata,Reference DataMaster DataEnterprise structure Data,Transaction Activity Data） 引用数据（）， 主数据（）， 企业结构数据（） 交易活动数据（） 交易审计数据（Transaction Audit Data） 元数据：数据的数据，平时我们设计表时，大部分属性字段就是元数据。

数据仓库专题（11）-可以作为维度表使用的事实表

KDT#13 可以作为维度表使用的事实表 事实表从粒度的角度分为三种，分别是交易粒度事实表、周期快照事实表和累计快照事实表。 交易粒度事实表能提供某个确切时刻的描述信息。以银行帐户中保存的客户信息为例来说，代理机构会周期的更新客户的名称、地址、电话号码、客户分类、信用等级、风险等级及其他描述性信息。

数据仓库专题（10）-文本事实和杂项维度

一、杂项维度 在维度建模的数据仓库中，有一种维度叫Junk Dimension，中文一般翻译为“杂项维度”。杂项维度是由操作系统中的指示符或者标志字段组合而成，一般不在一致性维度之列。 在操作系统中，我们定义好各种维度后，通常还会剩下一些在小范围内取离散值的指示符或者标志字段。

RTB业务知识之2-Open-RTB全景

一、前言 　　openrtb是一套开源的竞价广告系统，来自IAB的贡献，非常好。有非常多的值得借鉴的地方，最近基于其所提供sdk api接口文档介绍，整理了相关的资料。主要包括其生态图体系、业务流程和主要的对象模型和数据模型。

数据仓库专题（9）-缓慢变化维处理技术

一、案例描述 　　在一个零售业数据仓库中，事实表保存着各销售人员的销售记录，某天一个销售人员从北京分公司调到上海分公司了，那么如何来保存这个变化呢？也就是说销售人员维度要怎么恰当的处理这一变化。 　　先来回答一个问题，为什么要处理，或保存这一变化？如果我们要统计北京地区或上海地区的总销售情况的时候，这个销售人员的销售记录应该算在北京还是算在上海？当然是调离前的算在北京，调离后的算在上海,但是如标记这个销售人员所属区域？这里就需要处理一下这个维度的数据，即我们缓慢变化维需要做的事情。

RTB业务知识之2-Impression概念和关键属性

一、定义-impression 　　This object describes an ad placement or impression being auctioned. A single bid request can include multiple Imp objects, a use c...

RTB业务知识之1-原生广告

一、背景        Native Advertising (Native Ads), 又称为原生广告， 是2013全球媒体界爆红的关键词，从2012年年底，就有人开始提了这个名词，接着到处都可以看到这个名词，再接着，许多国外的研讨会开始有专题演讲， 更甚者，有专作原生广告的媒体创意代理商由此诞生。

数据仓库专题（8）-维度属性选择之维护历史是否应该保留

一、背景 　　数据仓库建模过程中，针对事务型事实表设计，经常会遇到维度属性选择的问题，比如客户维度，在操作型系统中，为了跟踪客户状态的变化，往往会附加客户记录的四个属性：       1.add time：添加时间； 　　2.

数据仓库专题（7）-维度建模10大基本原则

一、前言       特别声明：本文整理自互联网。        遵循这些原则进行维度建模可以保证数据粒度合理，模型灵活，能够适应未来的信息资源，违反这些原则你将会把用户弄糊涂，并且会遇到数据仓库障碍。