基于机器学习的web异常检测
基于机器学习技术的新一代web入侵检测技术有望弥补传统规则集方法的不足，为web对抗的防守端带来新的发展和突破。本文介绍了机器学习用于web异常检测的几个思路。
无推荐、不APP
随着互联网规模不断扩大，商品、音乐、电影、新闻资讯...的个数和种类快速增长，顾客需要花费大量的时间才能找到自己想要的东西。个性化推荐则是建立在海量数据挖掘基础之上，为顾客提供完全个性化的决策支持和信息服务。
SLS机器学习介绍（03）：时序异常检测建模
虽然计算机软硬件的快速发展已经极大提高了应用程序的可靠性，但是在大型集群中仍然存在大量的软件错误和硬件故障。系统要求7x24小时不间断运行，因此，对这些系统进行持续监控至关重要。这就要求我们就被从系统中持续采集系统运行日志，业务运行日志的能力，并能快速的分析和监控当前状态曲线的异常，一旦发现异常，能第一时间将信息送到相关人员手中。
自然语言理解-从规则到深度学习
自然语言理解是人工智能的核心难题之一，也是目前智能语音交互和人机对话的核心难题。之前写过一篇文章自然语言理解，介绍了当时NLU的系统方案，感兴趣的可以再翻一番，里面介绍过的一些内容不再赘述。本文详细讨论了自然语言理解的难点，并进一步针对自然语言理解的两个核心问题，详细介绍了规则方法和深度学习的应用。
表格存储Tablestore权威指南（持续更新）
表格存储本着提升用户体验的思路，打造《表格存储Tablestore权威指南》。为用户提供可借鉴的开发指导、经典案例。经典案例按照场景应用类型划分，目前提供五类场景：元数据、消息数据、轨迹溯源、科学大数据以及物联网；每个类型下都会提供多种经典场景。
LSF-SCNN：一种基于CNN的短文本表达模型及相似度计算的全新优化模型
本文提出了基于词汇语义特征的跳跃卷积模型LSF-SCNN，通过引入三种优化策略：词汇语义特征LSF、跳跃卷积SC和K-Max均值采样KMA分别在词语、短语、句子粒度抽取更加丰富的语义特征，从而更好的在向量空间构建短文本语义表达模型，并广泛的适用于问答系统QA、释义识别PI和文本蕴含TE等计算成对儿出现的短文本的相似度的任务中。
Quick BI支持哪些数据源（配置操作篇）
Quick BI 潜心打造了核心技术底座（OLAP分析引擎），实现了SQL解析、SQL调度、SQL优化、查询加速等基础能力，支撑Quick BI的数据分析和查询加速。OLAP分析引擎包括数据源连接、数据模型、智能查询路由、通用查询、加速查询等5大核心能力。
