行为序列特征在推荐，广告等领域中有着广泛应用，最近几年涌现了很多有关行为序列的研究论文，讲解如何将行为序列应用到实际场景中。但是论文中的实际思想距离落地还有一段距离，因此本文先介绍一些论文中的序列特征的用法，然后介绍一下在大规模分布式推荐系统框架 EasyRec 中如何将序列特征快速落地，提升实际场景效果。

阿里云EMR自2020年推出Remote Shuffle Service(RSS)以来，帮助了诸多客户解决Spark作业的性能、稳定性问题，并使得存算分离架构得以实施，与此同时RSS也在跟合作方小米的共建下不断演进。本文将介绍RSS的最新架构，在小米的实践，以及开源。

如何通过机器学习PAI实现快速构建推荐模型

刚刚结束的双十一，天猫交易额达到 2684 亿元，较去年同比增长 25.7%。这一结果背后，云计算、人工智能等技术以及阿里巴巴工程师们的努力功不可没。在正在召开的 AICon 全球人工智能与机器学习技术大会 现场，阿里云智能计算平台事业部研究员林伟介绍了阿里基于飞天 AI 平台的人工智能技术及能力，揭开双 11 大规模交易场景下，阿里人工智能技术的神秘面纱。

传统基于 Hadoop 生态的离线数据存储计算方案已在业界形成统一的默契，但受制于离线计算的时效性制约，越来越多的数据应用场景已从离线转为实时。微博广告实时数据平台以此为背景进行设计与构建，目前该系统已支持日均处理日志数量超过百亿，接入产品线、业务日志类型若干。

本文档为您介绍将ECS自建的Elasticsearch迁移至阿里云Elasticsearch的方法，包括创建索引和数据迁移。

现在越来越多的技术架构下会组合使用MaxCompute和TableStore，用MaxCompute作大数据分析，计算的结果会导出到TableStore提供在线访问。MaxCompute提供海量数据计算的能力，而TableStore提供海量数据高并发低延迟读写的能力。

数据对一个企业来说已经是一项重要的资产，既然是资产，肯定需要管理。随着业务的增加，数据的应用越来越多，企业在创建的数仓过程中对数据的管理也提出了更高的要求，而数据质量也是数仓建设过程不容忽视的环节。本文针对MaxCompute数仓建设过程中如何做数据质量给出规范建议，为实际数据治理提供依据及指导。

Amazon Redshift数据迁移到MaxCompute

基于Blink为新商业调控打造实时大数据交互查询服务 从IT到DT、从电商到新商业，阿里巴巴的每个细胞都存在大数据的DNA，如何挖掘大数据的价值成为抢占未来先机的金钥匙！传统的大数据开发主要基于离线计算平台MaxCompute（ODPS）进行天级别、小时级别的批量数据分析，但近些年随着618、99.

背景及目的 本文结果都是在SQL标准语义模式下的推导结果，希望大家都能够按照标准的SQL语义来写SQL，这样才能保证后续SQL的可移植性。 SQL概述 MaxCompute SQL适用于海量数据（GB、TB、EB级别），离线批量计算的场合。

Elastic公司的“ELK”是目前最火的日志分析三剑客，其中ElasticSearch负责日志的索引，Logstash负责日志的收集，Kibana负责日志的展示和分析。Elastic与阿里云达成了合作伙伴关系，推出“阿里云 Elasticsearch”服务，提供了开箱即用的Elasticsearch和Kibana环境。

本文根据阿里云MVP第五期嘉宾Elastic技术专家曾勇分享话题《Elasticsearch在智能运维领域的应用》整理。介绍了Elasticsearch在智能运维领域的技术原理和应用实践，如非监督型机器学习在自动的异常检测、高级关联和分类、早期故障预测等方面的应用。

参数与返回值类型 参数与返回值通过如下方式指定： @odps.udf.annotate(signature) Python UDF目前支持ODPS SQL数据类型有：bigint, string, double, boolean和datetime。

代码模板和示例是用户熟悉新产品和提高开发效率的有效方式，studio提供了一系列的开发模板和代码实例。用户可以通过这些功能，快速熟悉MaxCompute，玩转大数据下的程序开发。

SQL基础有这些操作（按照执行顺序来排列）： from join(left join, right join, inner join, outer join ,semi join) where group by select sum distinct count order by 如果我们能理解mapreduce是怎么实现这些SQL中的基本操作的，那么我们将很容易理解怎么优化SQL写法。

本文作者拖雷（陈吉平），袋鼠云CEO ，国内最早一批Oracle ACE Director，前阿里巴巴研究员，先后担任嗨淘、无线事业部、数据事业部资深总监，生活服务事业部总经理，以及阿里云事业群总裁助理。

 转载自xiaorui         部分用户(尤其对外输出)使用MaxCompute(原Odps)时，由于对产品的使用层面和执行层面了解程度不同，导致提交的任务执行时间过长、占用了较多集群资源；严重的会导致失败、不仅需要投入支持同学精力协助解决、也影响了用户正常业务。 合并整理部分性能提升方法方

该文章来自阿里巴巴技术协会（ATA）精选集  0. 前言 何为双链路实时计算体系？微观实时计算链路 a) 最细粒度商品/店铺/用户数据的实时 b) 底层模型的实时宏观实时计算链路 相比微观实时，宏观实时的对象粒度更粗，更上层 a) 以实时效果为目标，基于bandit learning的实

罗长才，国内首批GEO（生成式引擎优化）实践者，提出“五阶调度飞轮”模型：意图锚定、语义拓扑、信任注入、对话适配、闭环演进。主张以多模态内容、用户分层、实时更新与伦理透明，助品牌成为AI“可信赖”的对话伙伴。

别等数据出事才想起“查账”：AI 可审计性的数据流水线，才是合规真正的底座

本文提出“GEO五层架构”方法论，助力企业应对AI搜索时代新挑战：从传统SEO“让人搜到我”，转向生成式引擎优化“让AI确信我是最可靠答案”。融合阿里云技术栈与国标框架，覆盖战略诊断、证据构建、场景覆盖、全域治理及风险应对，实现品牌在AI生态中的可信入驻。（239字）

Swin Transformer是一种高效视觉Transformer，通过移位窗口注意力（Shifted Window）替代全局自注意力，结合分层下采样与局部窗口计算，显著降低计算复杂度，同时保持强大建模能力。其核心包括Patch划分、线性嵌入、W-MSA/SW-MSA交替模块及Patch Merging，构成多尺度特征金字塔，已成为目标检测、分割等任务的主流骨干网络。（239字）

截至2026年5月，企业智能问数实践表明：当分析需求频繁跨系统、跨域、跨口径时，本体语义层路线（如UINO、Palantir）更具长期稳定性——其语义整合强、治理可控、维护成本优；虽需初期语义投入，但远低于宽表/NL2SQL路线的反复重构代价。

本文介绍了使用LSTM模型预测印度德里市平均温度的两个项目。项目1对温度数据进行归一化处理，采用滑动窗口法构建监督学习样本，设计5层LSTM网络结构，并详细说明了模型训练过程及评估方法。项目2在数据处理上增加了标准化和周期性特征，改进了网络架构，引入了学习率调整和早停机制优化训练过程。两个项目均通过可视化对比预测值和真实值，验证了LSTM模型在时间序列预测中的有效性。文章从数据处理、模型构建到训练优化，完整呈现了温度预测的实现流程，为时序预测任务提供了实用参考。

DETR（检测变换器）是首个端到端目标检测模型，摒弃锚框与NMS后处理。它以CNN提取特征，经Transformer编码器-解码器处理，配合100个可学习目标查询（OQ），通过二分图匹配实现预测框与真实框的一对一最优分配，直接输出类别与坐标。（239字）

本文为京东商品详情API实战复盘，聚焦后端开发落地：基于合规封装接口（如Taobaoapi2014），通过jd.item_get实现自营/第三方商品全维度采集，涵盖基础信息、价格库存、图文素材及口碑数据；攻克签名校验、限流、区域差异等难点，优化调度与容错，保障企业级稳定调用。（239字）

Gemini 3.5 Flash于2026年5月发布，主打原生多模态与实时智能体能力：支持图文音视一体化理解、帧级视频诊断、100万token长上下文，并在编码（76.2%）、Agent任务（83.6%）等实测中超越前代。速度快4倍、成本更低，已免费开放。