游客3wlkklvxbishq_个人页

2025年12月

• 12.12 08:43:20
  发表了文章 2025-12-12 08:43:20

  20 | 推荐引擎：没有搜索词，「头条」怎么找到你感兴趣的文章？

  本文深入解析了资讯类App推荐引擎的检索技术。通过“下拉刷新”这一简单操作，系统能在无搜索词情况下精准推荐内容，核心在于个性化召回机制。文章详细讲解了基于内容的召回与协同过滤（用户/物品）两大算法，揭示其如何通过用户行为数据、画像构建及向量相似度计算实现高效推荐，并探讨多策略混合与分层排序的工程实践，展现推荐系统的智能与灵活性。
• 12.12 08:42:44
  发表了文章 2025-12-12 08:42:44

  19 | 广告系统：广告引擎如何做到在 0.1s 内返回广告信息

  广告系统是互联网核心营收支柱，支撑Google、Facebook等巨头超80%收入。它需在0.1秒内完成百万级广告实时检索，属高并发、低延迟典型。本文以展示广告为例，解析其引擎架构：通过标签构建倒排索引，结合树形分片、向量检索与非精准打分预筛，优化召回效率；再用深度学习精准排序，提升匹配度。同时，在索引构建时前置过滤无效广告，压缩检索空间，并依赖全量+增量机制实现实时更新。整体设计兼顾性能与效果，实现千人千面的高效投放。
• 12.12 08:42:06
  发表了文章 2025-12-12 08:42:06

  18 | 搜索引擎：输入搜索词以后，搜索引擎是怎么工作的？

  搜索引擎通过爬虫、索引与检索三大系统，实现从万亿网页中快速精准查找信息。本文详解其工作原理，包括分词、纠错、短语检索及位置索引等核心技术，揭示搜索背后的智能机制。（239字）
• 12.12 08:41:30
  发表了文章 2025-12-12 08:41:30

  17 | 存储系统：从检索技术角度剖析 LevelDB 的架构设计思想

  LevelDB是Google开源的高性能键值存储系统，基于LSM树优化，采用跳表、读写分离、SSTable分层与滚动合并等技术，结合BloomFilter、缓存机制与二分查找，显著提升读写效率，广泛应用于工业级系统中。（239字）
• 12.12 08:40:56
  发表了文章 2025-12-12 08:40:56

  16 | 最近邻检索（下）：如何用乘积量化实现「拍照识花」功能？

  AI时代，图片检索依赖高效向量相似搜索。本文解析聚类算法与局部敏感哈希差异，详解K-Means聚类、乘积量化压缩及倒排索引技术，揭示“以图搜图”背后原理，实现海量高维数据快速精准检索。（238字）
• 12.12 08:40:23
  发表了文章 2025-12-12 08:40:23

  15 | 最近邻检索（上）：如何用局部敏感哈希快速过滤相似文章？

  在搜索引擎与推荐系统中，相似文章去重至关重要。通过向量空间模型将文档转化为高维向量，利用SimHash等局部敏感哈希技术生成紧凑指纹，结合海明距离与抽屉原理分段索引，可高效检索近似重复内容，在百亿网页中快速过滤雷同结果，提升用户体验。该方法适用于文本、图像等多种对象的相似性检测。
• 12.12 08:39:44
  发表了文章 2025-12-12 08:39:44

  14 | 空间检索（下）：「查找最近的加油站」和「查找附近的人」有何不同？

  本文探讨了动态范围内查找“最近的k个”地理对象的高效检索方案。针对查询范围不固定的应用场景，如找最近加油站或医院，传统GeoHash分块检索效率低。文章提出利用四叉树、非满四叉树和前缀树优化：四叉树通过层次化空间划分支持快速范围扩展；非满四叉树动态分裂节点，提升稀疏数据下的存储利用率；前缀树则适用于GeoHash字符串编码的索引，实现高效路径匹配。进一步介绍了k-d树在高维空间的应用局限，并引出高维场景下的近邻检索挑战。
• 12.12 08:39:02
  发表了文章 2025-12-12 08:39:02

  13 | 空间检索（上）：如何用 Geohash 实现「查找附近的人」功能？

  本文介绍了如何高效实现“查找附近的人”功能，针对大规模系统提出基于区域划分与Geohash编码的检索方案。通过将二维空间划分为带编号的区域，并利用一维编码（如Geohash）建立索引，可大幅提升查询效率。支持非精准与精准两种模式：前者直接查所在区域，后者结合邻近8区域扩大候选集以保证准确性。Geohash将经纬度转为字符串编码，便于存储与比较，广泛应用于Redis等系统。适用于社交、餐饮、出行等LBS场景。
• 12.12 08:38:25
  发表了文章 2025-12-12 08:38:25

  12 | 非精准 Top K 检索：如何给检索结果的排序过程装上加速器

  本文介绍了非精准 Top K 检索的优化思路与三种实现方法：基于静态质量得分排序截断、胜者表利用词频打分、分层索引两阶段检索。核心思想是将复杂计算移至离线，在线快速截断，降低打分开销。结合精准检索的两阶段架构，可显著提升检索效率，广泛应用于搜索与推荐系统中。
• 12.12 08:37:55
  发表了文章 2025-12-12 08:37:55

  11｜精准 Top K 检索：搜索结果是怎么进行打分排序的？

  搜索引擎排序核心在于打分与Top K检索。本文详解三种打分算法：经典TF-IDF衡量词频与区分度；BM25引入文档长度、词频上限等优化，效果更优；机器学习则融合数百因子自动学习权重，适应复杂场景。最后通过堆排序高效实现Top K结果返回，提升性能。
• 12.12 08:37:10
  发表了文章 2025-12-12 08:37:10

  10 | 索引拆分：大规模检索系统如何使用分布式技术加速检索？

  在大规模检索系统中，分布式技术通过拆分倒排索引提升性能。常见方案有基于文档的水平拆分和基于关键词的垂直拆分。前者将文档集分割，各分片独立建索引，支持并行检索与高效扩展；后者按词典切分，减少请求复制但易引发负载不均。工业界多采用文档拆分，因其扩展性好、运维简单，且可通过副本机制避免热点问题，适合搜索引擎、推荐系统等场景。
• 12.12 08:36:22
  发表了文章 2025-12-12 08:36:22

  09 | 索引更新：刚发布的文章就能被搜到，这是怎么做到的

  本文介绍了工业界倒排索引的高效更新机制。针对小规模内存索引，采用Double Buffer实现无锁读写；对于大规模索引，则使用“全量+增量”索引方案，结合删除列表处理删改操作，并通过完全重建、再合并或滚动合并等策略管理增量数据，提升检索效率与系统稳定性。
• 12.12 08:35:44
  发表了文章 2025-12-12 08:35:44

  08 | 索引构建：搜索引擎如何为万亿级别网站生成索引？

  针对超大规模数据场景，如搜索引擎对万亿网页索引时，倒排索引远超内存容量。为此，工业界采用分治与多路归并思想：先将文档分批，在内存中为每批构建小型倒排索引，并写入磁盘临时文件；随后通过多路归并技术合并有序临时文件，生成全局有序的最终倒排文件。该过程类似MapReduce模型，支持分布式并行处理，大幅提升效率。检索时，优先将词典加载至内存（如用哈希表或FST压缩结构），结合B+树或跳表等技术高效访问磁盘中的posting list，辅以缓存机制优化频繁查询，实现高效检索。
• 12.12 08:35:02
  发表了文章 2025-12-12 08:35:02

  07 | NoSQL 检索：为什么日志系统主要用 LSM 树而非 B+ 树？

  B+树适用于关系型数据库，但在日志、监控等高频写入场景下性能受限。LSM树通过将数据分内存（C0树）和磁盘（C1树）两层，利用批量写入、WAL日志恢复与滚动合并机制，大幅提升写入效率，更适合写多读少的大数据应用。
• 12.12 08:34:27
  发表了文章 2025-12-12 08:34:27

  06丨数据库检索：如何使用 B+ 树对海量磁盘数据建立索引？

  本节深入探讨磁盘环境下大规模数据检索的挑战与解决方案，重点解析B+树如何通过减少磁盘访问次数、实现索引与数据分离，支持高效查找、范围查询及动态调整，成为数据库索引的核心技术。
• 12.12 08:33:17
  发表了文章 2025-12-12 08:33:17

  05 | 倒排索引：如何从海量数据中查询同时带有「极」和「客」的唐诗？

  本文通过唐诗检索的类比，深入浅出地讲解了正排索引与倒排索引的核心原理。正排索引以文档ID为键，适用于精确查找；而倒排索引则以关键词为键，指向包含该词的文档列表，极大提升了多关键词联合查询效率。文章详细介绍了倒排索引的构建过程、链表归并求交集的查询优化方法，并拓展到作者维度检索等实际应用场景，揭示其在搜索引擎、数据库全文检索等系统中的核心地位。
• 12.12 08:32:31
  发表了文章 2025-12-12 08:32:31

  04 | 状态检索：如何快速判断一个用户是否存在？

  本文探讨高效判断对象是否存在的技术方案，对比有序数组、二叉树、哈希表的查询性能，引出位图与布隆过滤器。位图利用bit级存储，节省空间；布隆过滤器通过多哈希函数压缩数组长度，实现O(1)查询，适用于允许误判的场景，如用户注册、网页抓取去重。二者在时间与空间效率上优于传统结构，广泛应用于缓存、搜索引擎等系统中。
• 12.12 08:31:03
  发表了文章 2025-12-12 08:31:03

  03 | 哈希检索：如何根据用户 ID 快速查询用户信息？

  本文介绍了哈希表的原理与实现。通过哈希函数将键转换为数组下标，利用数组的随机访问特性实现O(1)级查询。针对哈希冲突，讲解了开放寻址法和链表法两种解决方案，并分析其优劣。最后指出哈希表虽高效，但存在空间消耗大、无序等缺点，适用场景需权衡。
• 12.12 08:30:14
  发表了文章 2025-12-12 08:30:14

  02 | 非线性结构检索：数据频繁变化的情况下，如何高效检索？

  通过树状结构与跳表优化数据检索，本文探讨如何在非线性结构中实现高效二分查找。对比有序数组、二叉检索树与跳表，解析其在动态数据场景下的性能优劣与适用边界。
• 12.12 08:29:38
  发表了文章 2025-12-12 08:29:38

  01 | 线性结构检索：从数组和链表的原理初窥检索本质

  本文探讨数组与链表的检索原理及效率。数组依托连续存储支持随机访问，适合二分查找，实现O(log n)高效检索；链表则因非连续存储仅支持顺序访问，检索效率为O(n)，但插入删除更灵活。通过理解二者存储特性对检索的影响，掌握“合理组织数据以缩小查询范围”的核心思想，为构建高效算法和数据结构打下基础。
• 12.12 08:28:34
  发表了文章 2025-12-12 08:28:34

  多叉树的递归/层序遍历

  多叉树是二叉树的扩展，每个节点可有多个子节点。遍历方式与二叉树类似，DFS递归遍历无中序位置；BFS层序遍历通过队列实现，可记录深度或适配加权边，三种写法灵活适用不同场景。（239字）
• 12.12 08:26:54
  发表了文章 2025-12-12 08:26:54

  二叉树的递归/层序遍历

  本文详解二叉树的两种遍历方式：DFS（递归遍历）和BFS（层序遍历）。DFS通过递归按“左→右”顺序遍历，前/中/后序取决于代码位置；BFS借助队列实现逐层遍历，常用于求最短路径。三种BFS写法逐步进阶，适用于不同场景。DFS适合找所有路径，BFS更优解最短路径问题。
• 12.12 08:26:12
  发表了文章 2025-12-12 08:26:12

  二叉树基础及常见类型

  二叉树是最核心的数据结构之一，不仅是红黑树、堆、字典树等复杂结构的基础，更体现了递归的思维方式。掌握二叉树，等于掌握了算法与数据结构的钥匙。从满二叉树、完全二叉树到二叉搜索树，各类变体应用广泛。通过链式存储或邻接表均可实现，是刷题与实战的必备基础。
• 12.11 11:07:26
  发表了文章 2025-12-11 11:07:26

  用拉链法实现哈希表

  本文详解哈希表中拉链法的实现原理，通过简化版与完整版Java代码，介绍如何用链表解决哈希冲突，支持泛型、动态扩容及增删查改操作，帮助深入理解哈希表底层机制。
• 12.11 11:05:43
  发表了文章 2025-12-11 11:05:43

  哈希表核心原理 哈希表等于Map吗？

  哈希表不等于Map。Map是键值映射的接口，哈希表（如HashMap）是其一种实现。增删查改O(1)的前提是哈希函数高效且冲突处理得当。本文详解哈希表原理、哈希冲突解决、负载因子与key不可变性，助你深入理解底层机制。
• 12.11 11:04:26
  发表了文章 2025-12-11 11:04:26

  双端队列（Deque）原理及实现

  双端队列支持在队头和队尾高效地插入、删除和访问元素，时间复杂度均为O(1)。相比标准队列的“先进先出”，它更灵活，如同两端可进出的天桥。可用链表或环形数组实现，常用于需双向操作的场景，算法题中Python使用较多。
• 12.11 11:03:45
  发表了文章 2025-12-11 11:03:45

  用数组实现队列/栈

  使用数组实现栈时，可将动态数组尾部作为栈顶，利用ArrayList的add和remove操作实现push、pop等，时间复杂度均为O(1)。若以头部为栈顶，则需借助环形数组CycleArray实现高效操作。同样，基于CycleArray可在首尾分别进行出队和入队，轻松实现队列功能，保证操作效率。
• 12.11 11:02:57
  发表了文章 2025-12-11 11:02:57

  环形数组技巧

  环形数组通过模运算在逻辑上形成闭环，利用start和end双指针实现首尾O(1)增删。虽物理结构线性，但通过取余操作使指针循环，结合左闭右开区间设计，高效支持动态扩容缩容，适用于队列、双端队列等场景。
• 12.11 11:01:41
  发表了文章 2025-12-11 11:01:41

  用链表实现队列/栈

  本文介绍如何用链表实现栈和队列，利用双链表头尾操作均为O(1)的特性，高效实现栈的push/pop和队列的入队/出队操作，并引出数组实现队列时的性能问题，为后续优化埋下伏笔。
• 12.11 11:00:53
  发表了文章 2025-12-11 11:00:53

  队列/栈基本原理

  本文介绍队列和栈的基本原理。二者均为“操作受限”的数据结构：队列仅能在队尾入队、队头出队，符合“先进先出”（FIFO）；栈仅能在栈顶进行插入和删除，遵循“先进后出”（FILO）。底层多由数组或链表实现，核心API包括push、pop、peek和size，操作时间复杂度均为O(1)。
• 12.11 10:59:56
  发表了文章 2025-12-11 10:59:56

  单/双链表代码实现

  本文详解双链表与单链表的MyLinkedList实现，重点解析三大关键：1）持有头尾节点引用以优化插入删除效率；2）使用虚拟头尾节点简化边界处理；3）正确理解Java链表删除中的内存释放机制。代码涵盖增删查改等基本操作，结构清晰，适合学习链表底层实现原理。
• 12.11 10:58:59
  发表了文章 2025-12-11 10:58:59

  链表（链式存储）基本原理

  本文深入讲解链表数据结构，对比力扣中常见的单链表与编程语言标准库中的双链表。介绍链表的节点结构、内存存储方式及其优缺点：相比数组，链表无需连续空间，增删高效但不支持随机访问。详细演示单/双链表的查、改、增、删操作，并通过代码示例解析实现逻辑，帮助读者掌握链表核心原理与指针操作技巧。
• 12.11 10:57:59
  发表了文章 2025-12-11 10:57:59

  动态数组代码实现

  本文详解动态数组的增删查改实现，重点解析三大关键点：自动扩缩容策略（2倍扩容、1/4缩容）、索引越界检查（区分元素与插入位置），以及删除元素时置null防内存泄漏。代码基于Java实现，帮助理解底层原理与时间复杂度。
• 12.11 10:56:59
  发表了文章 2025-12-11 10:56:59

  数组（顺序存储）基本原理

  本章讲解数组的底层原理，区分静态数组与动态数组。静态数组是连续内存空间，支持O(1)随机访问，但增删效率低；动态数组基于静态数组封装，自动扩容并提供便捷API，广泛用于实际开发。通过手动实现动态数组，理解其增删查改机制及时间复杂度，为学习更复杂数据结构打下基础。（239字）
• 12.11 10:55:41
  发表了文章 2025-12-11 10:55:41

  算法精进专题

  本文介绍时间与空间复杂度入门知识，用Big O表示法（如O(1)、O(n)、O(n²)）估算算法性能。复杂度关注最坏情况，时间复杂度看循环嵌套层数，空间复杂度看额外内存占用。通过多个代码示例讲解常见复杂度分析方法，帮助初学者快速掌握算法效率评估基础。
• 12.11 10:54:16
  发表了文章 2025-12-11 10:54:16

  SpringAI+DeepSeek大模型应用开发

  SpringAI整合主流大模型，支持对话、函数调用与RAG，提供统一API，简化开发。涵盖多模态、流式传输、会话记忆等功能，助力快速构建AI应用。
• 12.11 10:49:26
  发表了文章 2025-12-11 10:49:26

  SpringAI+DeepSeek大模型应用开发

  本章介绍AI核心概念与大模型原理。AI历经三阶段发展，Transformer模型推动其飞跃。该模型基于注意力机制，可处理文本、图像、音频等数据，实现智能生成与推理。大语言模型（LLM）如GPT、DeepSeek均基于此，通过持续预测下一个词，逐字生成连贯内容，实现对话、创作等功能。